基于经验回放 Actor-Critic 的前列腺癌调强放疗自动治疗计划
医学物理
2025-02-26 v1 人工智能
机器学习
摘要
背景：由于复杂的射束相互作用，调强放疗（IMRT）中的实时治疗计划制定具有挑战性。人工智能提高了自动化水平，但现有模型需要大型高质量数据集且缺乏通用性。深度强化学习（DRL）通过模拟人类的试错规划过程，提供了一种有前景的替代方案。目的：开发一种基于随机策略的 DRL 智能体，用于自动治疗计划，具有高效训练、广泛适用性以及对抗快速梯度符号法（FGSM）攻击的鲁棒性。方法：使用带经验回放的 Actor-Critic（ACER）架构，该智能体在逆向计划中调整治疗计划参数（TPPs）。训练基于前列腺癌 IMRT 病例，使用剂量-体积直方图（DVHs）作为输入。模型在单个患者病例上训练，在两个独立病例上验证，并在三个数据集的 300 多个计划上进行测试。计划质量使用 ProKnow 评分评估，鲁棒性通过对抗攻击进行测试。结果：尽管仅在单个病例上训练，模型展现出良好的泛化能力。在基于 ACER 的计划制定前，平均计划评分为 6.20±1.84；之后，93.09% 的病例获得了 9 分的满分，平均分为 8.93±0.27。该智能体能有效优先处理最优 TPP 调整，并对对抗攻击保持鲁棒。结论：基于 ACER 的 DRL 智能体能够在前列腺癌 IMRT 中实现高效、高质量的治疗计划制定，展现出强大的泛化能力和鲁棒性。
引用
@article{arxiv.2502.00346,
title = {Actor Critic with Experience Replay-based automatic treatment planning for prostate cancer intensity modulated radiotherapy},
author = {Md Mainul Abrar and Parvat Sapkota and Damon Sprouts and Xun Jia and Yujie Chi},
journal= {arXiv preprint arXiv:2502.00346},
year = {2025}
}
备注
27 Pages, 8 Figures, 4 Tables