深度学习驱动的放射治疗剂量预测:来自622名患者的临床见解,来自单一机构的多个瘤部位的622名患者

科学领域:

• 辐射疗法 辐射疗法
• 医学物理 医学物理
• 人工智能的人工智能

背景情况:

• 准确的治疗前剂量预测对于有效的放射治疗计划至关重要.
• 深度学习模型显示了自动化剂量分配的希望,但多瘤分析是有限的.

研究的目的:

• 评估深度学习模型 (U-Net,Flex-Net,Highres-Net) 以对各种瘤类型进行剂量预测.
• 结合客观 (NDD,DVH) 和主观 (瘤学家审查) 的评估.
• 评估结合多种模型的"最佳选择"方法的有效性.

主要方法:

• 包括622名患有鼻,食道,乳腺,宫和直肠癌的数据的患者.
• 使用U-Net,Flex-Net和Highres-Net模型生成的剂量预测.
• 在试验组上进行了定量 (NDD,DVH) 和定性 (瘤学家评估) 分析.

主要成果:

• 预测剂量和临床剂量相关性良好,主要瘤部位的正常化剂量差 (NDD) 低于3%.
• 单个模型对特定的癌症类型显示了最高的准确性.
• "最佳选择"方法改善了临床接受率,从53.7%提高到62.6%.

结论:

• 自动剂量预测为放射治疗计划生成提供了一个强大的起点.
• 通过"最佳选择"利用特定模型的优势,提高了预测准确度.
• 这种方法有可能显著提高多种瘤类型的临床效率.