基于梯度的放射学用于PULSAR中的结果预测和决策:初步研究
Haozhao Zhang1,2, Jiaqi Liu1,2, Michael Dohopolski1,2
1Department of Radiation Oncology, The University of Texas Southwestern Medical Center, Dallas, TX 75390, USA.
International journal of particle therapy
|February 25, 2025
概括
一种新的基于梯度的放射学方法改善了对瘤对个性化超分离立体感应适应性辐射疗法 (PULSAR) 的反应的预测. 这种数据驱动的方法增强了神经瘤治疗的决策能力.
科学领域:
- 神经瘤学神经瘤学
- 辐射疗法 辐射疗法
- 医疗成像医学成像
背景情况:
- 个性化超分离立体感适应性辐射疗法 (PULSAR) 提供高剂量辐射,根据患者的反应进行适应性治疗.
- 目前的PULSAR适应依赖于医生的经验和瘤大小,缺乏数据驱动的方法来改善结果预测.
研究的目的:
- 开发和验证数据驱动的放射学方法,用于预测PULSAR治疗中的治疗反应.
- 加强决策和个性化治疗计划在神经瘤学.
主要方法:
- 对39名接受PULSAR治疗的患者69个病变的分析.
- 从内和周区域提取基于梯度的特征 (大小,辐射梯度,辐射偏差).
- 使用支矢量机开发一个集体特征选择 (EFS) 模型,并对单独的队列进行验证.
主要成果:
- 该EFS模型准确预测瘤体积减少超过20%在辐射后3个月.
- 来自八位子区域的特征与核心或边缘特征相比,显示出更好的预测.
- 基于梯度的方法超越了传统的放射学,并在不同的队列中展示了可概括性.
结论:
- 基于梯度的放射学方法显著提高了PULSAR治疗中的治疗反应预测.
- 这种方法显示了作为神经瘤学个性化治疗规划的强大工具的潜力.
- 该方法适用于光子和粒子疗法.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.6K
