临床实施和评估深度学习辅助的肺癌自动放射治疗治疗计划
Ningyu Wang1, Jiawei Fan2, Yingjie Xu1
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China.
概括
深度学习 (DL) 显著减少了肺癌患者的放射治疗规划时间和监测单元,实现了与手工方法相比的或更好的计划质量. 这种自动化的方法显示出改善患者护理的希望.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 对肺癌进行放射治疗的计划是复杂且耗时的.
- 手动规划涉及优化剂量分配,以最大限度地覆盖瘤,同时节省有风险的器官.
- 人工智能的进步,特别是深度学习,为自动化和改进治疗计划流程提供了潜力.
研究的目的:
- 为了研究深度学习 (DL) 辅助的肺癌自动放射治疗计划系统的临床实用性.
- 为了比较DL辅助自动计划的质量和效率与传统的手动计划.
主要方法:
- 开发并验证了一种深度学习模型,用于预测患者特定的剂量分布,使用235名肺癌患者的数据.
- 该DL模型被整合到临床工作流程中,根据预测的目标函数生成自动计划.
- 在50个自动生成的计划和相应的手动创建的体积调制弧线疗法 (VMAT) 计划之间进行了回顾性比较.
主要成果:
- 深度学习辅助的自动计划的整体质量 (PQM得分) 与手动计划 (40.8比40.7,P=0.75) 相当.
- 自动计划大大减少了约70分钟的计划时间,并将监控单元 (MU) 减少了约97.
- 虽然手动计划提供了稍微更好的肺节约 (V5),自动计划显示了对心脏 (V30) 和脊髓 (Dmax) 的优越节约.
结论:
- 肺癌的深度学习辅助放射治疗规划在临床上适用,显著减少了规划时间和MUs.
- DL方法的成果与手动规划相比,计划质量相当或优于手动规划,对患者的治疗结果有潜在的好处.
- 这项技术有可能提高肺癌放射治疗的效率和有效性.
