乳腺放射治疗计划:使用深度学习的决策框架

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能在医学中的应用

背景情况:

• 优化乳腺癌放射治疗包括平衡瘤根除与最小化辐射剂量健康组织.
• 在强度调节辐射疗法 (IMRT) 和三维合规辐射疗法 (3D-CRT) 之间进行选择至关重要,并且取决于患者特定的解剖学和剂量限制.

研究的目的:

• 开发基于深度学习的决策框架,用于预测辐射剂量分布.
• 帮助乳腺癌患者选择最佳的放射治疗技术 (IMRT与3D-CRT).

主要方法:

• 使用2D U-Net卷积神经网络 (CNN) 来预测剂量分布图和剂量-体积直方图 (DVH) 度量.
• 该模型在两个机构的346名患者的回顾性数据上进行了训练,解决了CT系统和临床实践的差异.
• 对30名患者进行了外部验证,计划由独立的医学物理学家使用混乱矩阵评估,以将模型预测与临床决策进行比较.

主要成果:

• 深度学习模型在预测IMRT和3D-CRT的剂量分布和DVH指标方面取得了很高的一致性,特别是对于有风险的器官 (OAR).
• 与历史方法相比,该决策框架表现优越,准确率为90%,回忆率为95.7%,与独立的临床评估相比,精度为91.7%.
• 相比之下,历史决策的准确性 (50%),回忆力 (47.8%) 和精度 (78.6%) 都较低.

结论:

• 开发的深度学习模型准确地预测了3D-CRT和IMRT乳腺癌治疗的剂量分布.
• 该框架确保可靠的OAR剂量估计,并显著提高决策准确性,回忆和精确性,与传统方法相比.