基于深度学习的宫癌辐射治疗自动规划的标准校准方法

科学领域:

• 医学物理
• 辐射瘤学
• 机器学习

背景情况:

• 基于知识的规划 (KBP) 整合了用于辐射剂量预测的机器学习.
• 现有的模型难以快速适应特殊需求的患者.
• 精确的剂量预测对于有效的放射治疗至关重要.

研究的目的:

• 校准剂量预测模型以改善宫癌辐射治疗的自动规划.
• 提高针对特定患者需求的辐射计划的质量和准确性.
• 应对预先训练的模型适应新的临床标准的挑战.

主要方法:

• 对200例KBP宫癌病例的回顾性分析.
• 使用21个卵巢保护和骨髓抑制病例进行校准和评估.
• 三种校准方法的比较:预测耐受性,转移学习和混合密度网络 (MDN).

主要成果:

• 预测耐受性使得对卵巢保护等特定需求进行快速调整.
• 转移学习需要最少的数据和时间来实现可接受的计划.
• MDN表现出强大的预测和优化结果的高一致性,非常适合数据集分析.

结论:

• 用三种校准方法展示了一个自动的KBP工作流程.
• 这些方法可以在不同的场景中适应现有模型的新标准.
• 所有方法都产生了可行的辐射处理计划,尽管有不同的权衡.