预见规划:通过自我监督的模型预测控制,优化放射治疗计划
Dongrong Yang1, Xin Wu1, Yibo Xie1
1Department of Radiation Oncology, Duke University Medical Center, Durham, North Carolina, USA.
Medical physics
|November 4, 2025
概括
这项研究引入了一种新的AI策略,用于辐射治疗规划,自动化强度调制辐射疗法 (IMRT) 和体积调制弧线疗法 (VMAT),以获得具有提高效率的临床可比结果. 远见规划方法简化了复杂的反向优化,为个性化癌症治疗提供了可适应的解决方案.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 强度调节辐射疗法 (IMRT) 和体积调节弧线疗法 (VMAT) 的规划涉及复杂的反向优化.
- 由于优化引擎的黑盒性质,目前的试错过程是低效的.
研究的目的:
- 使用人工智能开发前性规划策略,以建模和简化反向优化过程.
- 目标是实现所需的剂量分配,提高辐射治疗计划的效率和一致性.
主要方法:
- 训练了一种深度剂量预测 (DDP) 模型,从历史计划数据和目标调整中预测剂量反应.
- 具有得分函数的模型预测控制用于自动剂量-体积目标调整,可根据临床优先事项进行调整,无需重新培训.
- 该方法在40例头癌IMRT病例中进行了验证,用于培训和40例评估,重点关注节省优先事项.
主要成果:
- 自动化计划在双边和单边的节省场景中实现了与手动计划相比的临床质量.
- 自动化计划显示,在双边节约案例中,对初级和提升计划目标量 (PTV) 的符合性指数优越.
- 在单方面节省的情况下,与改进的符合性指数保持了非劣质危险器官 (OAR) 节省.
结论:
- 拟议的前性规划策略有效地自动化了放射治疗规划,产生了可比的质量,提高了效率和适应性.
- 这种人工智能驱动的方法为智能和灵活的辐射疗法治疗计划解决方案提供了一个变革性的视角.
