在基于神经网络方法的肝癌类立体体辐射疗法中,不涉及肝脏剂量预测
Huai-Wen Zhang1, You-Hua Wang2, Bo Hu3
1Department of Radiotherapy, Jiangxi Cancer Hospital, Nanchang 330029, Jiangxi Province, China.
World journal of gastrointestinal oncology
|October 30, 2024
概括
一个新的神经网络模型准确地预测了肝癌的立体体辐射疗法 (SBRT) 中不涉及的肝脏剂量. 这种方法简化了治疗计划,并通过估计对健康肝脏组织的辐射暴露,提高了患者的安全.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 放射治疗计划的质量在很大程度上依赖于设计师的专业知识.
- 准确的剂量预测对于肝癌SBRT至关重要.
研究的目的:
- 开发和验证一种神经网络模型,用于预测肝癌SBRT中未参与的肝脏剂量.
- 通过回归R值和平均平方误差 (MSE) 来评估模型的准确性.
主要方法:
- 使用了114个肝癌SBRT计划用于模型开发.
- 用MATLAB进行分析,将子器官体积与不涉及肝脏剂量相关联.
- 将数据分成70%的培训,15%的验证和15%的测试集.
主要成果:
- 已确立的子器官体积与非参与肝脏剂量之间的相关性.
- 在Dn10-Dn100和Dnmean方面实现了高预测准确性,R值>0.8.
- 显示了较低的平均平方误差 (MSE),表明模型可靠性.
结论:
- 一种基于神经网络的新方法有效地预测了肝癌SBRT中未涉及的肝脏剂量.
- 开发的模型简单,用户友好,适合临床应用.
- 这种方法有可能得到更广泛的采用,以加强放射治疗的规划.
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
8.2K
09:11Y-90 Radioembolization and PD-1 Inhibitor as Neoadjuvant Treatment in Hepatocellular Carcinoma
Published on: May 24, 2024
389
