一种深度学习方法,用于预测线性加速器输出设置在自动化放射治疗规划的寡头转移性癌症
Mathieu Gaudreault1,2, Lachlan McIntosh1, Katrina Woodford1,2,3
1Peter MacCallum Cancer Centre, Melbourne, Victoria 3000, Australia.
Physics and imaging in radiation oncology
|March 13, 2026
概括
人工智能 (AI) 可以准确地预测每个控制点 (CP) 的监测单位 (MU) 在寡头转移性癌症中进行低分离放射治疗. 数据增强和结合解剖部位都被证明是人工智能模型训练的有效方法,提高了治疗规划效率.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 人工智能在医学中的应用
背景情况:
- 针对寡头转移性癌症的低分离放射治疗需要精确控制每个控制点 (CP) 的监测单位 (MU).
- 准确预测每 CP 的 MU 对于提供微调的消耗剂量至关重要.
- 人工智能 (AI) 提供了优化预测过程的潜力.
研究的目的:
- 开发和评估最大化样本大小的策略,以使用人工智能准确预测每次CP的MU.
- 为了比较数据增强的有效性与用于人工智能训练的解剖部位的结合.
主要方法:
- 对于肝脏,骨和肺转移的40/68/88治疗计划的回顾性分析.
- 两种人工智能培训方法:对每个解剖部位进行广泛的数据增强,并结合所有部位.
- 基于实现的临床目标,AI生成的放射治疗计划 (AI-RTPlan) 与临床计划的比较.
主要成果:
- 预测和临床MU之间的平均绝对百分比误差每束/每CP的重量为6.2%以下.
- 人工智能-RTPlans在不到5秒内生成.
- 超过90%的患者通过AI-RTPlans实现了类似或更好的临床目标,目标覆盖率和风险器官剂量与临床值密切匹配.
结论:
- 广泛的数据增强和结合解剖部位是预测机器设置在人工智能驱动的放射治疗规划同样熟练的策略.
- 人工智能显著提高了对小细胞瘤癌的放射治疗计划的效率和准确性.
