深度学习方法用于预测放射治疗期间鼻癌患者的每周解剖变化
Bining Yang1, Yuxiang Liu1, Ran Wei1
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Medical physics
|September 3, 2024
概括
这项研究引入了一种深度学习方法,用于预测鼻癌 (NPC) 放射治疗期间的解剖变化,从而使及时适应治疗. 人工智能模型准确预测瘤反应和器官变化,改善个性化患者护理.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 放射治疗期间的解剖学变化可能导致瘤剂量不足或风险器官 (OARs) 过量剂量.
- 准确预测这些变化对于有效和安全的癌症治疗至关重要.
研究的目的:
- 开发一种深度学习方法,用于预测放射治疗期间鼻癌 (NPC) 患者的瘤反应和解剖变化.
- 通过预测患者特定的解剖变异,使主动治疗适应成为可能.
主要方法:
- 一个长期短期记忆网络-生成对抗网络 (LSTM-GAN) 是使用规划CT (pCT) 和束CT (CBCT) 数据从230名NPC患者开发的.
- 四个模型预测了3-6周的解剖变化,并改善了CBCT图像质量.
- 瘤体积 (TVs) 和OAR在预测和真实图像上进行了划分;模型性能使用Dice相似系数和剂量计参数进行了评估.
主要成果:
- 在预测解剖变化方面,LSTM-GAN模型取得了很高的准确性,Dice相似系数在电视上>0.94,在OAR上>0.90.
- 剂量计参数显示最小的偏差:瘤点剂量<0.5 Gy,关键序列OARs (例如,脑干),<0.6 Gy,并行OARs (例如,腺) <0.8 Gy.
结论:
- 拟议的深度学习方法准确地预测了NPC放射治疗期间未来的瘤反应和解剖学变化.
- 这有助于及时适应治疗,为个性化放射治疗规划提供积极的方法,并可能节省临床时间.
