开发和临床实施一个全面的多分离方案基于HyperArc的RapidPlan模型用于单个和多个大脑转移的单个和多个大脑转移

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 机器学习 机器学习

背景情况:

• 大脑立体射线手术/放射治疗 (SRS/SRT) 的计划涉及从模拟到治疗的显著延迟 (1-2周).
• 自动化和标准化治疗计划过程对于提高效率和患者护理至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于单个隔离中心大脑SRS/SRT中的快速,自动化治疗计划.
• 为了减轻单个和多个损伤大脑SRS/SRT的漫长治疗规划时间.

主要方法:

• 基于HyperArc的RapidPlan (HARP) 模型是使用89个先前处理过的HyperArc SRS/SRT计划在TrueBeam LINAC上开发的.
• 该模型在69个计划上进行了训练,并在20个计划上进行了测试,随后用于患者治疗的临床应用.
• 通过目标覆盖率 (PTV D95%,GTV D100%),危险器官 (OAR) 节省和剂量检查来评估计划质量.

主要成果:

• 在HARP模型下,在三种分成方案中,在不到20分钟的时间内生成了临床上可接受的计划.
• 与原始手工计划相比,HARP计划显示了可比的PTV D95%和优越的GTV D100%.
• 最大OAR剂量符合SRS/SRT标准,所有计划都实现了可接受的马通过率和蒙特卡洛检查.

结论:

• 哈普模型显著减少了大脑SRS/SRT治疗规划时间,使得能够快速生成高质量,临床上可接受的计划.
• 这种自动化标准化了患者护理,优化了临床工作流程,并提高了先进辐射治疗治疗的可用性.
• 哈普模型有效地处理多个分成方案,同时确保OAR节约和治疗剂量递送.