使用机械模型进行强化学习,以优化放射治疗和免疫治疗组合:概念验证
Allison M Ng1, Du Q Huynh1, Rebecca A D'Alonzo1,2,3
1School of Physics, Mathematics and Computing, University of Western Australia, Crawley, WA, Australia.
Physics in medicine and biology
|September 17, 2025
概括
强化学习 (RL) 探索了通过调整放射治疗 (RT) 剂量与免疫检查点抑制剂 (ICI) 来优化癌症治疗. 虽然RL在较少的分数上改善了结果,但标准RT计划更优越.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 放射疗法是一种放射治疗.
背景情况:
- 优化复杂的癌症疗法,特别是涉及放射治疗 (RT) 和免疫检查点抑制剂 (ICI) 的联合治疗,仍然是一个挑战.
- 强化学习 (RL) 提供了一种潜在的计算方法,可以在治疗安排的广参数空间中进行导航.
研究的目的:
- 研究RL算法的应用,以优化组合癌症治疗计划.
- 具体来说,为了评估不同RT剂量与抗PD-1和抗CTLA-4ICI结合的影响.
主要方法:
- 一个深度Q网络 (DQN) 和双DQN被训练使用一个机械模型的间皮瘤瘤生长在小鼠.
- RL算法的任务是根据两个奖励函数优化治疗计划:杀死瘤细胞并最大限度地减少总RT剂量.
- 用瘤控制概率 (TCP) 来比较RL生成的时间表与实验数据.
主要成果:
- 与只有一个或两个RT分数的计划相比,RL生成的治疗计划始终实现了更高的TCP.
- 然而,RL优化计划的表现并没有超过使用标准2Gy/分数RT剂量的基线治疗计划.
结论:
- 这项研究表明RL在癌症治疗中探索复杂的治疗策略空间的潜力.
- 进一步完善RL算法和奖励函数可能是必要的,以超越既定的临床方案,并使个性化治疗优化.
