处方剂量分层改善了基于深度学习的VMAT剂量预测在本地先进的NSCLC中

科学领域:

• 辐射瘤学 辐射瘤学
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 对非小细胞肺癌 (NSCLC) 进行体积调制弧线疗法 (VMAT) 计划是复杂的,需要代优化以平衡瘤覆盖和风险器官 (OAR) 节省.
• 深度学习 (DL) 有潜力通过剂量预测加速VMAT规划,但DL模型训练期间混合辐射剂量处方的影响尚不清楚.

研究的目的:

• 评估通过辐射剂量处方分层DL模型是否改善了NSCLC的VMAT剂量预测性能.
• 为了比较单处方DL模型与混合处方DL模型的准确性,用于VMAT规划.

主要方法:

• 72个NSCLCVMAT病例被重新计算为50,54和60 Gy.
• 训练了四个3D U-Net DL模型:三个单处方模型 (50 Gy,54 Gy,60 Gy) 和一个混合处方模型 (50 Gy + 60 Gy).
• 模型的性能被评估使用平均绝对误差 (MAE) 规划目标体积 (PTV) 和OAR剂量指标.

主要成果:

• 单次处方模型在PTV覆盖率 (<4 Gy) 和热点错误 (<1 Gy) 中实现了较低的MAE,平均OAR剂量错误≤2.3 Gy.
• 混合处方模型表现出明显更大的误差,包括PTV热点MAE11.3 Gy和脊髓最大剂量误差5-6 Gy.
• 对于混合模型来说,Voxel-wise分析显示了低剂量肺部区域的局部剂量偏差,以及接近的剂量梯度.

结论:

• 处方剂量分层明显改善了NSCLC临床相关的VMAT剂量预测指标.
• 研究结果支持使用处方分层DL模型作为放射治疗规划决策支持和优化指导的宝贵工具.