经验丰富的演员评论家基于重复的自动治疗计划,用于前列腺癌强度调制放射治疗
Md Mainul Abrar1, Parvat Sapkota1, Damon Sprouts1
1Department of Physics, The University of Texas at Arlington, Arlington, Texas, USA.
Medical physics
|May 31, 2025
概括
深度强化学习 (DRL) 与演员批判与经验重复 (ACER) 技术使强度调节放射治疗 (IMRT) 的有效,可概括和强大的自动治疗规划成为可能,即使数据有限.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 人工智能在医学中的应用
背景情况:
- 强度调节放射治疗 (IMRT) 治疗计划是复杂的,目前的AI方法需要大量的数据,缺乏普遍适用性.
- 现有用于自动化IMRT规划的AI模型通常在大型,高质量的数据集上进行训练,并且可能容易受到对抗性攻击.
- 深度强化学习 (DRL) 通过模仿人类的试错来提高效率和稳定性,提供了一个有希望的替代方案.
研究的目的:
- 开发一个用于自动IMRT治疗计划的DRL剂.
- 以有限的数据集实现有效的培训,并在各种患者数据中具有普遍适用性.
- 在自动化治疗规划中,确保对抗对手攻击的强大性能.
主要方法:
- 使用具有经验重复 (ACER) 的演员-批评架构创建了一个自动化治疗计划代理.
- 该药物自动调整前列腺癌IMRT病例的治疗计划参数 (TPP),使用剂量-体积直方图 (DVH) 作为输入.
- 培训涉及单个患者病例,对独立病例进行验证;测试使用了来自三个数据集的300多个计划,使用ProKnow评分系统和FGSM对抗性攻击进行评估.
主要成果:
- ACER代理人表现出高效的融合和高通用性,在培训后达到8.92±0.29的平均计划得分,其中92.29%的案例得分为9.
- 代理人有效地优先考虑了相关的TPP调整行动,显著优于随机选择.
- 使用FGSM的对抗性攻击显示了ACER代理对各种干扰级别的比较稳定性.
结论:
- 一种使用ACER的DRL药物已成功开发,用于高质量的前列腺癌IMRT治疗计划.
- 该药物在不同患者数据集中表现出显著的普遍性,以及对抗对抗攻击的稳定性.
- 这种DRL方法为推进自动化IMRT治疗计划提供了一个强大的工具.
