针对患者的深度强化学习用于头癌质子治疗中的自动重新规划
Malvern Madondo1, Yuan Shao2, Yingzi Liu1
1Department of Radiation and Cellular Oncology, University of Chicago, Chicago, IL, USA.
ArXiv
|August 20, 2025
概括
深度强化学习 (DRL) 自动化强度调制质子疗法 (IMPT) 对头癌 (HNC) 患者的重新规划. 与手动方法相比,这种针对患者的方法可以提高计划质量和节省处于危险的器官.
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:
- 在头癌 (HNC) 强度调制质子疗法 (IMPT) 期间发生的解剖学变化需要重新规划治疗以保持计划质量.
- 目前的手动重新规划是耗时和资源密集的,可能会损害治疗疗效.
- 移动布拉格峰可以导致瘤剂量不足和危险器官 (OAR) 过量剂量.
研究的目的:
- 开发和评估一个针对患者的深度强化学习 (DRL) 框架,用于自动化IMPT重新规划.
- 为了提高治疗计划的质量,并适应HNC放射治疗期间的解剖学变化.
- 为了减轻手工重新规划的负担.
主要方法:
- 开发了一个DRL框架,将IMPT重新规划作为一个强化学习问题.
- 个性化代理人被训练为每个患者使用规划CT和模拟解剖变化.
- 实施了深度Q网络 (DQN) 和近接政策优化 (PPO) 算法,使用剂量-体积直方图 (DVH) 作为状态,优先调整作为行动.
主要成果:
- DQN和PPO代理商都显著提高了初始计划质量评分,超过了手动重新计划.
- 与手动重新规划 (136.32 ± 4.79) 相比,DRL代理实现了更高的计划得分 (DQN: 139.59 ± 5.50,PPO: 141.50 ± 4.69).
- 改善的剂量测量终点显示出更好的瘤覆盖率和OAR在各种解剖变化中节省.
结论:
- 针对患者的DRL提供了一个高效和有效的解决方案,用于HNC的自动离线自适应IMPT重新规划.
- 拟议的框架成功地解决了质子疗法中几何和剂量适应的复杂性.
- 这种方法在推进在线自适应性质子疗法方面具有重大潜力.
