用深度强化学习学习为局部高级宫癌进行间歇性HDR支臂治疗的自动化治疗规划
Mohammadamin Moradi1, Runyu Jiang1,2, Yingzi Liu1
1Department of Radiation & Cellular Oncology, University of Chicago, Chicago, IL, USA.
ArXiv
|September 22, 2025
概括
本研究引入了使用强化学习 (RL) 进行高剂量率 (HDR) 支臂治疗在宫癌中的计划的自动化框架,提高了计划质量和效率,而不是手动方法.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 人工智能在医学中的应用
背景情况:
- 高剂量率 (HDR) 支臂治疗对于局部晚期宫癌治疗至关重要.
- 目前的HDR支臂疗法规划严重依赖于人工专业知识,导致变化和低效率.
- 自动化治疗计划可以提高HDR支臂疗法的一致性和效率.
研究的目的:
- 开发一个全自动化的HDR支臂疗法规划框架.
- 整合强化学习 (RL) 和基于剂量的优化,以改善治疗计划.
- 为了实现临床上可接受的计划,提高一致性和效率.
主要方法:
- 一个分层的两阶段自动规划框架,结合了基于深度Q网络 (DQN) 的RL和基于Adam的优化.
- RL代理人反复选择治疗计划参数 (TPPs),平衡目标覆盖率和风险器官 (OAR) 节省.
- 剂量-体积组图 (DVH) 度量和临床剂量目标指导RL代理和优化器.
主要成果:
- 自动化框架成功地学习了跨不同解剖学的临床上有意义的TPP调整.
- 基于RL的自动化计划实现了较高的平均得分 (93.89%) 与手动临床计划 (91.86%) 相比,对于未见过的患者.
- 在大多数情况下,完整的目标覆盖率和减少CTV热点的改善得到了维持.
结论:
- 拟议的自动化HDR支臂疗法规划框架显示了比手动规划更高的性能.
- 这种人工智能驱动的方法为宫癌的一致和高效的治疗规划提供了有希望的解决方案.
- 进一步的验证可以将该框架作为临床实践中的标准.
