辐射疗法规划优化中的深度强化学习:综合性审查
Can Li1, Yuqi Guo1, Xinyan Lin2
1Institute of Operations Research and Information Engineering, Beijing University of Technology, Beijing 100124, PR China.
概括
深度强化学习 (DRL) 显示出用于自动化放射治疗计划的前景. 然而,临床应用受到效率低下,质量评估和可解释性挑战的限制,需要进一步研究.
科学领域:
- 医学物理 医学物理
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 优化放射治疗计划是复杂且耗时的.
- 迫切需要自动化优化方法.
- 深度强化学习 (DRL) 为自动化提供了潜力.
研究的目的:
- 审查DRL应用在放射治疗规划中的现状.
- 评估DRL方法的有效性.
- 确定放射治疗中DRL的挑战和未来方向.
主要方法:
- 在主要的学术数据库 (谷歌学者,PubMed,IEEE Xplore,Scopus) 进行系统的文献搜索.
- 关键词包括"深度强化学习"",放射治疗"和"治疗计划".
- 数据综合用于批判性分析和概述.
主要成果:
- 在放射治疗规划中的DRL应用包括优化治疗参数,机器参数和自适应性放射治疗.
- DRL已应用于各种癌症 (宫癌,前列腺癌,肺癌) 和辐射技术 (IMRT,VMAT,SBRT等). ) 的情况.
结论:
- DRL显著推进了自动化放射治疗计划优化.
- 临床实施受到效率低下,质量评估有限,解释性差等因素的阻碍.
- 未来的研究应该集中在评估员,并行培训和持续行动空间上.


