增强剂量预测头癌的人工智能驱动放射治疗基于转移学习与有限的训练数据的转移学习

科学领域:

• 辐射疗法 辐射疗法
• 医学物理 医学物理
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 基于AI的节点放射治疗 (AINRT) 和基于AI的日常自适应性节点放射治疗 (DA-AINRT) 等新型放射治疗技术的深度学习模型的培训受到有限的患者数据的阻碍.
• 现有的临床剂量预测模型在适应这些尖端方法时面临挑战.
• 头癌患者需要精确的放射治疗以获得最佳的治疗结果.

研究的目的:

• 研究转移学习对现有临床剂量预测模型预测性能的影响.
• 评估转移学习的潜力,以增强头癌的新兴放射治疗方法.
• 评估AINRT和DA-AINRT中规划目标体积 (PTV) 和风险器官 (OAR) 的剂量预测准确性.

主要方法:

• 使用AINRT和DA-AINRT患者数据集微调了层次密集连接U-net模型,创建了Model_AINRT和Model_DA-AINRT.
• 转移学习模型与从头开始训练的预训练和基线模型进行了比较.
• 模型_AINRT在DA-AINRT患者身上进行了测试,以评估其在不同规划目标体积 (PTV) 大小中的有效性.

主要成果:

• 转移学习模型在AINRT和DA-AINRT的平均剂量预测 (0.71%和0.86%的误差) 中实现了高精度,显著超过基线模型 (2.29%-2.86%的误差).
• 模型_DA-AINRT在研究3中显示了0.86%±0.73%的平均剂量差异,与基线相比,显示了改善的PTV剂量预测误差.
• 该研究强调了针对特定患者队列的培训模型对于最佳剂量预测结果的重要性.

结论:

• 转移学习在先进的放射治疗技术中显著提高了规划目标体积 (PTV) 剂量的预测准确性.
• 与传统方法相比,该方法在危险器官 (OAR) 中保持了可比的剂量预测性能.
• 转移学习为改善剂量预测模型提供了一个可行的解决方案,当处理新型放射治疗方法的有限培训数据时.