深度学习应用于外部辐射治疗中的剂量预测:叙述性综述
V Lagedamon1, P-E Leni1, R Gschwind1
1Laboratoire chronoenvironnement, UMR 6249, université de Franche-Comté, CNRS, 4, place Tharradin, 25200 Montbéliard, France.
人工智能,机器学习和深度学习正在通过提高放射治疗工作流程的准确性和效率来彻底改变医疗治疗. 这些先进的计算模型增强了剂量测量和质量保证,优化了患者的护理.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 近几十年来,人工智能 (AI),机器学习 (ML) 和深度学习 (DL) 在医学中的整合显著增加.
- 这些技术在医学图像细分,运动管理和预测治疗结果方面取得了成功.
- 早期对ML和DL用于放射治疗剂量计算和质量保证的研究可以追溯到2000年.
研究的目的:
- 提供深度学习架构和在外部放射治疗中应用的模型的全面概述.
- 讨论深度学习预测模型在优化放射治疗工作流程中的性能和未来潜力.
- 突出AI,ML和DL如何提高剂量测量和质量保证过程的准确性和效率.
主要方法:
- 对深度学习架构和在外部放射治疗中使用的模型的现有文献的审查.
- 分析自2014年以来由信息研究和建筑创新推动的剂量计算模型的进步.
- 检查基于知识和针对患者的方法,以提高剂量预测的准确性.
主要成果:
- 深度学习模型在改善放射治疗中剂量计算的速度和准确性方面显示出显著的希望.
- 人工智能驱动的方法提高了质量保证过程,减少了临床患者管理的耗时方面.
- 模型架构和基于知识的方法的创新导致了更准确的剂量预测.
结论:
- 深度学习是外部辐射疗法的转变性技术,在治疗规划和交付方面提供了显著的改进.
- 深度学习架构的持续研究和开发将进一步完善用于增强患者护理的预测模型.
- 应用AI,ML和DL对于提高放射治疗工作流程的效率和准确性至关重要.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
相关概念视频
Targeted Cancer Therapies
There are several types of targeted therapies against specific...
Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches
Non-controlled studies, commonly employed for initial exploration, lack a control group, rendering them susceptible to biases and external influences. In contrast, controlled...
Measurement of Bioavailability: Pharmacodynamic Methods
Dosage Regimens: Designs and Approaches
Dosage Regimen: Individualization
Drug Dosing in Renal Diseases: Dose Adjustments Based on Drug Clearance and Elimination Rate Constant
