使用基于卷积神经网络的剂量预测在前列腺癌放射治疗中的晚期直肠毒性风险估计

科学领域:

• 辐射瘤学 辐射瘤学
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 前列腺癌放射治疗,特别是体积调制弧线疗法 (VMAT),具有晚期直肠出血 (LRB) 的风险.
• 准确预测LRB风险对于个性化治疗规划和干预至关重要.
• 目前的方法可能无法充分利用先进成像和人工智能的预测能力.

研究的目的:

• 评估使用卷积神经网络 (CNN) 自动化计划生成模型的可行性.
• 在接受VMAT的前列腺癌患者中估计≥2级晚期直肠出血 (G2-LRB) 的基线风险.
• 评估模型在预测剂量分布和G2-LRB的NTCP中的准确性.

主要方法:

• 开发了一种二维U-net模型,用于从规划CT和风险器官口罩中预测剂量分布.
• 用于前列腺癌的75个VMAT计划:60个用于培训/验证,15个用于测试.
• 模型性能使用Dice相似系数,DVH和NTCP指标进行评估,主要终点为G2-LRB-Lyman-Kutcher-Burman-NTCP的R2.

主要成果:

• 该U-net模型准确地预测了剂量分布 (高剂量地区的Dice平均相似系数为0.90).
• 结直肠剂量参数 (V50Gy,V60Gy,V70Gy) 得到了准确的预测 (R2 = 0.730.87).
• 在计划和预测的G2-LRB NTCP (R2 = 0.80) 之间发现了强烈的相关性,平均绝对误差低 (1.24% ± 1.42%).

结论:

• 基于CNN的自动计划生成可用于从解剖信息中估计LRB风险.
• 这项技术可以支持前辐射治疗干预措施的决策,如水凝间隔器植入.
• 该模型对开发决策支持系统来个性化前列腺癌放射治疗具有前景.