一种基于深度学习的同行评审方法,用于放射治疗规划

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 放射治疗规划中的质量控制 (QC) 对治疗疗效和患者安全至关重要.
• 传统的质量控制方法依赖于主观评估,导致潜在的不一致性.

研究的目的:

• 开发一种新的,个性化的QC方法,用于放射治疗的规划.
• 该方法整合了患者的解剖数据,深度学习剂量预测和统计建模.

主要方法:

• 一个UNet深度学习模型被训练来预测139名鼻癌患者的3D剂量分布.
• 使用模型的预测实施了同行评审过程,以确定需要优化的计划.
• 同行评审方法的有效性在29个临床治疗计划上进行了评估.

主要成果:

• 深度学习模型实现了与计划分布 (平均差异为0.29 ± 0.13 Gy) 相似的剂量预测结果.
• 同行评审发现66%的计划是可以接受的或不合格的.
• 在优化后,100%的可接受计划和47%的不合格计划成为合格计划,改善了整体计划质量.

结论:

• 在放射治疗规划中,使用深度学习剂量预测模型可以实现个性化QC.
• 这种人工智能驱动的方法可以显著提高放射治疗计划的质量和一致性.