通过使用基于政策梯度的深度强化学习来优化头癌的质子PBS治疗规划的自动化
Qingqing Wang1, Chang Chang1,2
1Department of Radiation Medicine and Applied Sciences, University of California at San Diego, La Jolla, California, USA.
Medical physics
|January 31, 2025
概括
这项研究引入了一种先进的深度强化学习模型,用于自动质子笔束扫描在头癌症的治疗计划. 这种新的方法实现了人类水平的计划质量,改善了器官节约和目标覆盖率.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 质子笔光束扫描 (PBS) 治疗头癌的治疗计划是复杂和耗时的.
- 现有的深度强化学习 (DRL) 模型因处理多个规划目标和离散行动空间的局限性而难以扩展和灵活.
研究的目的:
- 开发一种使用近距离政策优化 (PPO) 和基于剂量分配的奖励函数的自动治疗计划模型,用于H&N癌症中的质子PBS计划.
- 克服现有的DRL模型在处理复杂的规划目标和连续行动空间方面的局限性.
主要方法:
- 制定治疗计划作为优化问题,从目标体积和危险器官 (OAR) 创建辅助结构和目标.
- 采用PPO培训的政策网络,在持续的行动空间中代调整规划目标参数.
- 利用一种基于剂量分配的奖励函数来指导PBS治疗计划的改进.
主要成果:
- 生成的质子H&N治疗计划表现出优异的OAR节约,与人类生成的计划相比,目标覆盖率相当或更好.
- 该方法成功地被通用化为肝癌治疗计划,在不同解剖部位显示出有效性.
- 与以前的方法相比,DRL模型在连续行动空间中处理了更多的规划目标.
结论:
- 拟议的自动治疗规划模型实现了H&N癌症的人类水平的性能,产生了与经验丰富的规划者相比或更高质量的复杂计划.
- 这代表了第一个基于DRL的自动治疗规划模型,以实现H&N癌症的人类水平的性能.
- 该模型能够在连续行动空间中处理多个目标,为放射治疗规划提供了更好的灵活性和可扩展性.
更多相关视频
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
2.7K
05:18Author Spotlight: Improving Radiation Therapy Access with Radiation Planning Assistant
Published on: October 6, 2023
1.3K
