通过剂量和NTCP预测对头癌患者进行高效的质子光子患者选择

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:

• 与光子疗法 (XT) 相比,质子疗法 (PT) 对头癌患者的正常组织毒性降低.
• 目前对PT与XT选择的临床决策是耗时且资源密集的.
• 精确的患者选择对于最大限度地提高PT效益,同时管理资源限制至关重要.

研究的目的:

• 开发和验证基于人工智能的自动化方法,以便在PT和XT之间有效选择患者.
• 简化HN癌症患者的临床决策过程.
• 提高识别那些最能从PT中受益的患者的准确性.

主要方法:

• 分析了一组104名双边HN患者的队列,他们自动计划PT和XT.
• 开发了一个联合模式预测框架,使用一个具有多限制损失函数的3D关注U-net.
• 采用十倍交叉验证,并根据正常组织并发症概率 (NTCP) 的差异评估患者选择,遵守LIPPv2.2指南.

主要成果:

• 人工智能辅助的选择过程平均每名患者10.1秒,达到85.58%的准确性.
• 在86.54%的病例 (缺食症≥2) 和89.42%的病例 (缺食症≥3) 中,观察到与基本真相一致的选择.
• 与现有的U-net模型相比,拟议的方法显示了统计学上较低的平均 ΔNTCP 预测误差 (1.47 ± 1.80%).

结论:

• 一个新的AI辅助框架与联合模式预测提高了质子-光子患者选择的效率和精度.
• 人工智能方法在异质的HN癌症患者数据集中显示了可概括性和稳定性.
• 这项技术有可能优化资源配置并改善癌症患者的治疗结果.