利用简单结构体积参数通过机器学习预测前列腺癌危及器官的剂量-体积直方图
机器学习
2024-11-11 v1
摘要
剂量预测是一个促进放疗计划的持续研究领域。大多数商业模型利用成像数据和大量计算资源。本研究旨在通过目标体积、危及结构器官及其重叠区域的体积，使用机器学习预测直肠和膀胱的剂量-体积信息。94名计划接受20次分割6000cGy放疗的前列腺癌患者的剂量-体积信息从治疗计划系统导出为文本文件并挖掘以创建训练数据集。探索并验证了多种统计建模、机器学习方法以及一种新的模糊规则预测（FRBP）模型，在39名患者的独立数据集上进行验证。在4000-6420cGy范围内，膀胱的中位绝对误差为2.0%-3.7%，直肠为1.7%-2.4%。对于5300cGy、5600cGy和6000cGy，直肠的中位差异小于2.5%，膀胱为3.8%。FRBP模型在这些剂量水平下对直肠和膀胱分别产生1.2%、1.3%、0.9%和1.6%、1.2%、0.1%的误差。这些结果表明仅利用这些结构的体积即可获得对临床重要的直肠和膀胱剂量-体积参数的准确预测。
引用
@article{arxiv.2411.05378,
title = {Machine learning for prediction of dose-volume histograms of organs-at-risk in prostate cancer from simple structure volume parameters},
author = {Saheli Saha and Debasmita Banerjee and Rishi Ram and Gowtham Reddy and Debashree Guha and Arnab Sarkar and Bapi Dutta and Moses ArunSingh S and Suman Chakraborty and Indranil Mallick},
journal= {arXiv preprint arXiv:2411.05378},
year = {2024}
}