使用深度强化学习优化脑癌缓解辐射治疗的分化计划,使用深度强化学习
Yongheng Yan1, Xin Sun1, Yuanhua Chen1
1Department of Radiation Oncology, The First Affiliated Hospital, Zhejiang University School of Medicine, No. 79 Qingchun Road, Hangzhou, 310003, Zhejiang, China.
概括
使用人工智能优化头癌 (HNSCCs) 的放射治疗剂量分化,最大限度地降低了治疗毒性,同时保持了优异的局部区域控制 (LRC). 这种个性化的方法减少了风险器官 (OAR) 剂量,并改善了患者的治疗结果.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 计算生物学是一种计算生物学.
背景情况:
- 局部发达的头角状细胞癌 (HNSCC),特别是与HPV相关的,通过标准化疗或放射治疗具有良好的局部区域控制 (LRC).
- 然而,标准治疗会导致显著的毒性,需要优化治疗策略.
研究的目的:
- 根据个体患者的反应,优化针对HNSCC的每日放射治疗剂量分成.
- 目标是尽量减少治疗毒性,同时保持LRC失败的低风险.
主要方法:
- 一个虚拟环境模拟了在放射治疗下瘤动态,以优化剂量计划.
- 深度强化学习 (DRL) 剂优化了分离,降低了OAR的生物有效剂量 (BED),同时保持了LRC.
- 扩散和指数 (PSI) 和线性二次模型预测的响应;SVM细分的参数空间.
主要成果:
- 在5000名虚拟患者中,个性化分成减少了29%的瘤剂量和OAR BED (平均5.61±2.96 Gy减少).
- 预测结果与传统的RT相似,其中99.80%实现低风险的LRC失败.
- 模型不确定性影响了结果,但高BED受益组显示出稳定性;SVM确定了患者选择参数.
结论:
- 根据患者反应优化分成剂量,最大限度地降低毒性,并保持LRC在HNSCCs.
- 患者分层可以减轻模型的不确定性并降低治疗风险.
