以测量为指导的治疗剂量预测,使用体积调制弧线放射治疗的多层封闭模式融合模型
Changfei Gong1,2,3, Yuling Huang1,2,3, Junming Jian1,2,3
1Department of Radiation Oncology, Jianxi Center Hospital & Institute, Nanchang, Jiangxi, China.
这项研究引入了一种新的深度学习模型,用于预测头癌患者的治疗辐射剂量. 人工智能模型增强了无测量预治疗患者特定质量保证 (prePSQA),以提高准确性和安全性.
科学领域:
- 医学物理 医学物理
- 辐射瘤学中的人工智能
- 辐射疗法质量保证 辐射疗法质量保证
背景情况:
- 治疗前患者特定质量保证 (prePSQA) 对放射治疗的准确性和患者安全至关重要.
- 目前用于无测量前PSQA的AI模型在捕捉详细的解剖和空间剂量特征方面存在局限性.
- 现有的方法往往忽略了剂量分布中的关键空间信息,这可能会限制预测准确度.
研究的目的:
- 开发一种新的深度学习模型,用于测量导向治疗剂量 (MDose) 在头癌放射治疗中的预测.
- 通过整合CT和剂量图像的多尺度特征来改进现有的AI模型.
- 通过考虑空间剂量信息来提高人工智能模型的预测能力.
主要方法:
- 使用310名脑癌患者的数据开发了一个深度学习模型,这些患者接受了体积调节弧线放射治疗 (VMAT).
- 该模型整合了CT和剂量图像的多尺度特征,捕获空间剂量信息.
- 数据集被随机划分为培训 (60%),验证 (20%) 和测试 (20%) 集.
主要成果:
- 拟议的MDose预测模型在预测剂量-体积直方图 (DVHs) 和马传递率 (GPR) 中,与最先进的模型相比,表现优越.
- 实现了最低的平均绝对误差 (37.99) 和根平均平方误差 (4.916).
- 呈现出最高的峰值信号与噪声比率 (52.622),结构相似性 (0.986) 和通用质量指数 (0.932),大多数预测剂量在地面真相6Gy以内.
结论:
- 一个可行的MDose预测模型已成功开发用于头癌放射治疗.
- 该模型有可能显著提高prePSQA的效率和准确性.
- 这一进步可以为临床适应性放射治疗实践提供动力.
更多相关视频
10:48PET and MRI Guided Irradiation of a Glioblastoma Rat Model Using a Micro-irradiator
Published on: December 28, 2017
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
相关概念视频
Dosage Regimens: Designs and Approaches
Dosage Regimen Designs: Nomograms and Tabulations
Pharmacodynamic Models: Additive and Proportional Drug Effect Model
Pharmacodynamic Models: Direct Effect Model and Indirect Response Model
Impact of Pharmacokinetic–Pharmacodynamic Models: Regulatory Decisions
