摘要
目的
开发并基准测试用于头颈(HN)和胰腺癌治疗的容积调制弧疗的三维剂量预测算法,并展示将预测剂量转化为可交付计划的临床可行性。
方法与材料
三个深度学习模型首先在3232个公共计划上进行预训练,随后在机构队列(256例头颈癌和72例胰腺癌患者)上进行微调。将微调策略的准确性与仅使用机构数据从头训练的基线模型进行了比较。在一个前瞻性研究中,预测的剂量被用作全自动计划生成的计划目标。使用计划质量指标(Plan Quality Metrics)将自动计划与临床计划进行基准比较。通过Mobius离子室的患者特异性质量保证(PSQA)验证了全自动计划的可交付性。
结果
与从头训练相比,迁移学习在机构特定数据有限的情景中显著加速了收敛并最小化了预测误差。对于头颈癌病例,微调后的预测误差为1.76 Gy。值得注意的是,仅使用5%数据集(n = 12)进行微调的模型达到了与使用50%训练数据(n = 116)从头训练的模型相当的准确性。在胰腺癌队列中,微调后的平均绝对误差为1.35 Gy,相比仅使用机构数据训练的基线模型减少了14.6%。当用于自动规划时,这些预测的三维剂量改善了头颈癌计划中计划靶体积的均匀性和危及器官的避让(食管和气管),而胰腺癌计划则旨在降低脊髓和右肾剂量的同时达到临床目标。所有自动计划均通过PSQA确认为临床可交付。
结论
与仅使用机构数据从头训练的模型相比,迁移学习显著降低了预测误差并提高了鲁棒性。通过完全自动化流程将预测剂量转化为临床计划同时保持计划质量的可行性得到了验证。
利益冲突声明
作者声明无利益冲突。
数据可用性声明
1. 由GDP-HMM挑战赛整理的公共数据集可在以下地址获取:https://github.com/RiqiangGao/GDP-HMM_AAPMChallenge
2. 所有代码和权重均已通过Hugging Face公开提供,地址如下:https://huggingface.co/namijiang98/radiotherapy-dose-prediction-transfer-learning


