基于深度学习的CyberKnife蒙特卡洛计划对肺癌患者的剂量预测:可变光束配置的强有力的学习
Yuchao Miao1,2,3, Jiwei Li4, Ruigang Ge5
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Radiation oncology (London, England)
|November 26, 2024
概括
这项研究引入了一个深度学习模型,可以使用CyberKnife准确预测肺癌辐射剂量,通过结合患者解剖学和可变光束配置来改进治疗计划,以获得更快,更精确的结果.
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:
- 准确的蒙特卡洛 (MC) 剂量计算对于CyberKnife (CK) 肺癌治疗计划至关重要.
- 现有的深度学习模型往往忽视了CK的可变光束配置和患者特定的解剖学.
- 需要快速准确的自动规划工具来考虑这些因素.
研究的目的:
- 开发和评估一种深度学习模型,用于在CK肺癌治疗中直接预测3D剂量分布.
- 将患者解剖学和可变光束配置 (AB模型) 结合起来,以提高预测准确度.
- 将AB模型的性能与仅使用解剖学模型 (面具模型) 的模型进行比较.
主要方法:
- 基于3D U-Net的深度学习架构被用于剂量预测.
- 两种模型进行了比较:AB模型 (解剖学和光束信息) 和Mask模型 (仅解剖学).
- 86例患有CKMC计划的肺癌患者被用于培训,验证和测试.
主要成果:
- AB模型显著超过了面具模型,在某些剂量区域显示了20-40%更高的子相似系数 (DSC).
- 对于计划目标体积 (PTV),马通过率 (3 mm/3%) 超过99%,对于有风险的器官 (OAR) 超过95%.
- 在AB模型中,小声素精度提高了90%以上,器官剂量平均误差为1.65±0.69%.
结论:
- 拟议的AB深度学习模型在预测CK3D剂量分布方面取得了重大进展.
- 这种模型可以快速准确地预测肺癌的MC剂量,并考虑患者特定的光束配置.
- 这些发现有助于优化CyberKnife治疗计划,以改善临床结果.
