通过优化数据与物理信息离散损失实现胶质瘤放疗个体化规划

脑肿瘤的生长对每位胶质瘤患者而言都是独特的，并会超出影像扫描可见范围，浸润周围脑组织。理解这些隐藏的患者特异性进展对于有效治疗至关重要。当前的脑肿瘤治疗计划，如放射治疗，通常涉及在治疗前扫描的可见肿瘤周围划定一个均匀边界，以靶向这种不可见的肿瘤生长。这种“一刀切”的方法源自群体研究，往往未能考虑个体患者状况的细微差别。我们提出了 GliODIL 框架，该框架利用 Fisher-Kolmogorov 型物理模型描述肿瘤生长，从可用的多模态影像中推断肿瘤细胞浓度的完整空间分布。这是通过新引入的“优化离散损失”方法实现的，该方法将基于数据和物理的约束柔和地同化到解中。我们的测试数据集包含 152 名胶质母细胞瘤患者，具有治疗前影像和治疗后用于监测肿瘤复发的随访数据。通过将数据驱动技术与基于物理的约束相结合，GliODIL 增强了放疗规划中的复发预测，对传统的均匀边界和严格遵循 Fisher-Kolmogorov 偏微分方程模型的做法提出了挑战，该模型针对复杂病例进行了调整。