基于深度学习的多中心评估,为左侧节点阴性乳腺癌的放射治疗计划
Marlie Besouw1,2, Niels van Acht2,3, Dave van Gruijthuijsen2
1Radboudumc, Department of Medical Imaging, Nijmegen, the Netherlands.
Physics and imaging in radiation oncology
|October 6, 2025
概括
基于深度学习的规划 (DLP) 显示了放射治疗的前景. 一个标准化的参数集提高了其跨机构的通用性,使其在临床环境中更适用.
科学领域:
- 辐射疗法 辐射疗法
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 基于深度学习的规划 (DLP) 为改善放射治疗治疗规划的一致性和效率提供了潜力.
- 由于将预测剂量转化为可交付计划的挑战,DLP的临床采用受到阻碍.
- 本研究探讨了机构特定的DLP解决方案在多个中心的普遍性.
研究的目的:
- 评估DLP解决方案的跨机构通用性.
- 在外部数据集上评估特定机构的DLP模型的性能.
- 在DLP中开发和验证用于剂量转换的标准化参数集.
主要方法:
- 利用了来自四个机构的临床治疗计划,用于左侧乳腺癌患者.
- 在一个机构训练的DLP模型应用于外部数据集 (n=45) 使用初始参数 (InitialMimick).
- 使用所有机构 (n=12) 的数据开发了一个标准化参数集 (GenericMimick),并对剩余的患者 (n=48) 进行评估.
主要成果:
- 与临床计划相比,初始模拟计划显示了更高的目标剂量和更少的计划达到临床目标 (15/45 vs. 25/45).
- GenericMimick计划通过可比的目标剂量显著改善目标实现 (28/48对比临床计划的30/48)
- 平均风险器官剂量显示GenericMimick和临床计划之间的差异很小 (<0.2 Gy).
结论:
- 一个标准化的翻译参数集提高了DLP在多个机构的普遍适用性.
- 当与标准化方法相结合时,DLP可以有效地用于放射治疗治疗规划.
- 这些发现支持DLP在放射治疗中的更广泛的临床实施.
