在将机器学习应用于质子辐射疗法的最新进展.
Vanessa L Wildman1, Jacob F Wynne1, Shadab Momin1
1Department of Radiation Oncology and Winship Cancer Institute, Emory University School of Medicine, Atlanta, GA, United States of America.
Biomedical physics & engineering express
|July 3, 2025
概括
机器学习通过改善患者查,规划和剂量计算来增强质子疗法. 这一系统性审查强调了其在推进精确和个性化癌症治疗方面的日益重要的作用.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 医疗保健中的人工智能
背景情况:
- 精确性和及时性在放射瘤患者护理中至关重要.
- 机器学习 (ML) 在光子辐射疗法中已经建立,但在质子疗法中正在出现.
- 质子疗法的临床工作流程应用ML仍未得到充分探索.
研究的目的:
- 在质子疗法临床工作流程中系统地审查当前和潜在的ML应用.
- 识别和总结关键的ML技术及其对质子疗法过程的影响.
主要方法:
- 在PubMed和Embase (2019-2024) 的系统文献搜索.
- 搜索术语包括"质子疗法"",机器学习"和"深度学习".
- 总结并结合了38项相关研究的发现.
主要成果:
- 对于患者预先查,U-Net架构很普遍.
- 卷积神经网络是剂量和范围预测的关键.
- ML模型可以提高图像质量,减少辐射暴露,并增强在线剂量/范围监测.
结论:
- ML模型对于质子疗法治疗和发现越来越重要.
- ML显著提高了患者查,规划,图像质量和剂量/范围计算.
- 机器学习正在推进质子疗法的精度和个性化.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
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
2.9K
