放射治疗的自动治疗规划:一种交叉模式和协议研究
Gregory Szalkowski1,2, Xuanang Xu3, Shiva Das1
1Department of Radiation Oncology, University of North Carolina, Chapel Hill, North Carolina.
Advances in radiation oncology
|November 18, 2024
概括
在强度调节放射治疗 (IMRT) 计划上训练的深度学习模型可以预测其他放射治疗方式的剂量. 将这些预测与多标准优化 (MCO) 整合起来,可以改善处于风险的器官的节约,并减少计划的变化.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 医疗保健中的人工智能
背景情况:
- 自动化治疗计划旨在提高放射治疗的效率和一致性.
- 跨模式转移学习是适应人工智能模型与不同治疗技术的新兴领域.
- 多标准优化 (MCO) 允许在治疗规划中平衡竞争的临床目标.
研究的目的:
- 评估3D剂量预测在强度调节放射治疗 (IMRT) 数据上训练的模型中的跨模式适用性.
- 评估整合多标准优化器 (MCO) 的影响,以适应剂量预测的机构偏好.
- 探索减少放射治疗计划生成时间和变异性的潜力.
主要方法:
- 在340个头部和部IMRT计划上训练的3阶段U-Net模型生成了剂量预测.
- 预测被用来通过备用功能创建IMRT,VMAT和断层治疗计划.
- 使用预测剂量作为约束条件,采用MCO优化,并根据临床目标评估计划质量.
- 交付质量保证 (QA) 在计划的子集上进行.
主要成果:
- 剂量预测在各种模式中被准确地复制,在关键结构中有轻微的偏差.
- 通过MCO优化,可显著降低风险器官剂量,同时保持目标覆盖率.
- 所有生成的计划都显示出临床交付能力,马分析的合格率超过98%.
结论:
- 在IMRT数据上训练的模型可以有效地应用于其他放射治疗方式.
- 使用预测作为MCO约束,为自动化规划提供了灵活的热启动.
- 这些方法有望减少不同医疗机构的计划周转时间和质量差异.
