一个深度学习模型,用于预测在碳离子治疗中对前列腺癌的修改微剂量测量动力模型的剂量和剂量平均线性能量转移
Liwen Zhang1,2,3, Weiwei Wang1,2,3, Ping Li2,3,4
1Department of Medical Physics, Shanghai Proton and Heavy Ion Center, Shanghai 201321, China.
本研究引入了一种深度学习模型,用于快速,准确地预测前列腺癌适应性碳离子放射治疗中的生物剂量和剂量平均线性能量转移 (LETd). 该模型实现了高精度,有助于治疗评估.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 人工智能在医学中的应用
背景情况:
- 适应性碳离子放射治疗前列腺癌需要精确的生物剂量和剂量平均线性能量转移 (LETd) 评估.
- 目前评估这些参数的方法可能耗时,可能会限制实时治疗适应.
研究的目的:
- 开发和验证一个深度学习模型,以快速预测基于修改的微剂量测量运动模型 (mMKM) 的剂量和LETd分布.
- 对深度学习模型的准确性进行评估,并将其与已建立的计算方法对比.
主要方法:
- 通过使用50名前列腺癌患者的数据来训练和测试一个深度学习模型.
- 该模型将计算机断层扫描 (CT) 图像,患者轮,物理剂量和基于局部效应模型I (LEM I) 的剂量作为输入特征.
- 模型预测与真实mMKM基剂量进行了比较,并使用LEM I计划重新计算了LETd.
主要成果:
- 深度学习模型在与真实基于mMKM的剂量和LETd.相比,实现了超过96%的玛合格率.
- 该模型展示了快速准确地预测复杂的剂量参数的能力.
结论:
- 开发的深度学习模型提供了一个快速而准确的工具,用于评估适应性碳离子放射治疗中的生物剂量和LETd.
- 这种方法可以显著提高局部性前列腺癌治疗计划的综合评估.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
相关概念视频
Mouse Models of Cancer Study
The development of transgenic, knockout, and knock-in mice has led to an exponential increase in their use as model organisms in research,...
Three-Compartment Open Model
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Pharmacodynamic Models: Linear Concentration–Effect Model
Pharmacodynamic Models: Additive and Proportional Drug Effect Model
