使用两种不同类型的输入轮对头癌患者的基于深度学习的剂量预测的评估

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:

• 准确的剂量预测对于优化头癌 (HNC) 放射治疗至关重要.
• 深度学习 (DL) 模型为提高剂量预测效率和准确性提供了一个潜在的解决方案.

研究的目的:

• 为了评估基于DL的剂量预测方法的有效性,在HNC患者中使用不同的输入轮配置.
• 评估AIVOT原型软件在HNC放射治疗中剂量预测的性能.

主要方法:

• 分析了75名接受两步体积调制弧线治疗的HNC患者.
• 使用基于HD U-net的系统 (AIVOT原型) 进行剂量预测,使用8通道和10通道模型.
• 预测剂量与使用剂量-体积指数的地面真相进行了比较,并评估了可交付计划.

主要成果:

• 无论是8通道还是10通道模型,在初始计划和增强计划中,对于目标剂量和风险器官剂量都实现了高预测准确度.
• 十通道模型在特定剂量指数方面表现优异,特别是在增强计划中.
• 基于预测剂量的可交付计划与地面真相相比显示出极小的差异,特别是在增强计划中.

结论:

• 使用AIVOT原型基于DL的剂量预测显示了HNC放射治疗的重大潜力.
• 添加额外的轮可能会在预测准确度方面带来微不足道的改善,但对剂量模拟的影响有限.
• 对轮优化的进一步研究可以提高DL模型在临床实践中的性能.