强化学习驱动的自动头同步集成增强 (SIB) 辐射疗法:灵活的治疗计划与临床偏好保持一致
Dongrong Yang1, Xin Wu1, Xinyi Li1
1Department of Radiation Oncology, Duke University Medical Center, Durham, NC 27710, United States of America.
Physics in medicine and biology
|April 10, 2025
概括
一个新的深度强化学习 (DRL) 框架自动化了头部和部放射治疗的计划. 这种偏好编码的DRL (PEDRL) 系统适应节省策略,以实现最佳的瘤控制和器官保存.
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:
- 头部同步综合增强 (SIB) 强度调制放射治疗 (IMRT) 的计划是复杂的,因为它靠近有风险的器官.
- 目前的节省策略依赖于手动调整或试错,缺乏一致的优化.
- 自动化治疗计划可以提高效率,并根据特定的临床需求定制计划.
研究的目的:
- 开发和评估深度强化学习 (DRL) 框架,用于自动化头SIB治疗计划.
- 创建一个系统,可以适应节省的不同临床偏好.
- 简化生成高质量的放射治疗计划,同时保护关键器官.
主要方法:
- 开发了一个偏好编码的深度强化学习 (PEDRL) 框架,使用一个离散的软演员-关键算法.
- 该药物与治疗计划系统相互作用,根据临床优先事项动态调整客观约束.
- 该PEDRL剂在40例病例中接受了培训,并在44名额外的患者中得到了验证,将剂量计结果与临床计划进行了比较.
主要成果:
- 在双边和单边节约的所有指标上,PEDRL生成的计划显示了与临床计划相比较的剂量表现.
- 对于双边节约,PEDRL的平均腹膜中位数剂量为18.82 Gy (左) 和19.61 Gy (右),而临床上为19.31 Gy (左) 和19.12 Gy (右).
- 在单边节约中,PEDRL的平均节约膜中位剂量为19.92 Gy,而临床计划中为17.16 Gy.
结论:
- 拟议的PEDRL框架为头部和部SIB治疗计划提供了一种有效和可适应的自动化解决方案.
- 这种人工智能驱动的方法可以生成个性化的计划,平衡瘤控制与危险器官节约.
- 该系统显示了提高放射瘤治疗规划效率和一致性的潜力.
