缩小计划质量的差距:利用深度学习来预测适应性放射治疗的剂量

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:

• 在线适应性放射治疗 (ART) 面临着平衡治疗质量和效率的挑战.
• 当前的ART系统通常使用原始规划目标进行重新优化,从而限制了质量改进.
• 修改规划目标可能会耗时,对高质量的适应性计划构成障碍.

研究的目的:

• 通过使用深度学习剂量预测模型预测新的规划目标,提高适应性放射治疗计划的质量.
• 为了解释在线适应性治疗期间的断层间解剖变化.
• 利用人工智能改善头癌的治疗计划.

主要方法:

• 对精细调整的患者特异型 (FT-PS) 模型进行临床评估,用于23个适应分数中的剂量预测,用于15名以Ethos ART治疗的头癌患者.
• 使用医生批准的轮,将原始适应计划 (IOE-Auto Plan) 与人工智能引导的再优化计划 (AI-guided IOE Plan) 进行比较.
• 基于AI预测的风险器官 (OAR) 规划目标,以Ethos的回顾性再优化为基础.

主要成果:

• 在九个高影响性OAR中观察到显著的剂量节省,包括收缩体,腺,下腺,口腔,食道,下和喉.
• 在盲人观察者研究中,在23个案例中,在19个案例中,人工智能引导的IOE计划比原始适应计划更受青.
• 以人工智能驱动的目标预测为适应性放射治疗规划的可行性.

结论:

• 人工智能剂量预测模型可以有效预测最佳规划目标,提高自适应性放射治疗计划的质量.
• 拟议的方法适用于在线和离线ART,显示了增强头癌治疗结果的潜力.
• 初步结果表明,整合人工智能用于适应性治疗规划的可行性和好处.