深度学习技术用于跨多个解剖部位和可变光束配置的质子剂量预测

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 人工智能在医学中的应用

背景情况:

• 质子疗法提供精确的辐射输送,但准确的剂量预测对于治疗计划至关重要.
• 人工智能 (AI) 模型正在开发,以自动化和改进剂量预测.
• 在优化人工智能模型以满足各种患者数据和复杂的治疗场景方面,仍然存在挑战.

研究的目的:

• 评估光束罩和数据聚合对基于人工智能的对质子疗法剂量预测准确性的影响.
• 在有限或异质患者数据集的场景中评估这些策略.
• 确定光束罩和数据聚合的最佳组合,以提高准确性.

主要方法:

• 在541个前列腺和632个头 (H&N) 质子治疗计划上训练有素的卷积神经网络.
• 使用光束面具 (辐射路径描绘) 和数据聚合技术评估模型性能.
• 使用剂量体积组图 (DVH) 评分,平均绝对误差,子相似系数 (DSC) 和马通过率来测量精度.

主要成果:

• 束束罩的包含改善了剂量预测,特别是在低剂量区域和各种束束配置.
• 仅仅数据聚合就产生了不同的结果,提高了高剂量准确性,但可能降低了低剂量准确性.
• 结合光束面罩和数据聚合,实现了最佳的整体性能,在异构的H&N情况下取得了显著的改善 (高达0.2 DSC).

结论:

• 集束面具和数据聚合的AI模型大大提高了质子疗法剂量预测的准确性.
• 这种综合方法对于复杂的案例和异构的数据集尤其有利.
• 这些发现表明,有可能加速质子疗法规划,提高癌症治疗效率.