使用深度强化学习优化局部前列腺癌的双弧VMAT机器参数优化

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 医疗保健中的人工智能

背景情况:

• 卷度调节弧线疗法 (VMAT) 是一种复杂的辐射疗法技术,需要精确的机器参数优化.
• 手动优化VMAT计划是耗时的,需要专门的专业知识.
• 深度强化学习 (RL) 提供了自动化和加快治疗计划流程的潜力.

研究的目的:

• 开发和评估一个深入的RL框架,以快速,自动的机器参数优化VMAT计划局部前列腺癌.
• 与临床标准相比,评估RL生成计划的剂量测量质量和效率.
• 将RL框架集成到临床治疗计划系统 (TPS) 中,以实现无工作流的采用.

主要方法:

• 结合卷积和长期短期记忆的多任务策略网络被训练来预测机器参数 (剂量率,MLC位置).
• 该网络使用累积剂量,患者解剖学 (PTV,有风险的器官) 和历史机器参数作为输入.
• 该框架对15例局部前列腺癌病例进行了评估,将RL计划与现有临床计划进行了比较.

主要成果:

• 该RL框架在平均20.7±5.0秒内生成可交付的双弧VMAT计划.
• 与临床计划相比,对于平均直肠剂量或膀V6160 Gy没有发现统计学上显著的剂量差异.
• RL计划需要额外的83.8±7.2秒的时间,以便在TPS内自动改进到临床质量.

结论:

• 深度RL框架显示了显著简化前列腺癌VMAT治疗计划的潜力.
• 该方法实现了与人类规划人员相比较的计划质量,同时大大减少了优化时间.
• 这项技术可以通过快速的计划生成和适应来实现更有效的适应性辐射疗法.