使用可解释的人工智能对癌症放射治疗的自动治疗计划的新见解

科学领域:

• 医学物理
• 医学的人工智能
• 放射治疗计划

背景情况:

• 放射治疗中的自动治疗计划依赖于复杂的算法.
• 人工智能 (AI) 代理,如经验重复演员 (ACER),用于优化治疗计划参数 (TPP).
• 了解这些人工智能剂的决策过程对于临床采用至关重要.

研究的目的:

• 调查前列腺癌放射治疗中用于自动治疗计划的AI代理的决策过程.
• 分析AI药剂如何利用剂量体积图 (DVH) 输入来调整治疗计划参数 (TPP).
• 评估人工智能驱动的治疗计划的有效性,效率和稳定性.

主要方法:

• 检查了之前开发的ACER网络AI代理用于强度调节放射治疗中的自动TPP调节.
• 应用可解释AI (EXAI) 方法来分析DVH输入对TPP调节决策的归因.
• 评估了多个AI代理检查点的规划有效性,效率,政策空间和TPP调整空间.

主要成果:

• ACER代理人学会了从DVH输入中识别剂量违规,并通过TPP调整减轻它们.
• 在器官上,DVH归因与剂量违规减少的相似性在0. 25至0. 5之间.
• 具有较强的归因-违规相似性的代理显示出更高的规划效率,需要更少的调整步骤,并显示出更集中的TPP调整空间.

结论:

• 高效的ACER药物有效地发现剂量违规行为,并采用高质量的治疗计划的全球调整策略.
• 人工智能的调节策略与经验丰富的人类策略相似.
• 增强人工智能决策的解释性可以促进临床医生的信任,并推进自动治疗计划策略.