用于优化高级别胶质瘤不确定下患者特异性放疗方案的可预测数字孪生
计算工程、金融与科学
2024-06-18 v1 最优化与控制
概率论
摘要
我们开发了一种创建数据驱动的可预测数字孪生以进行最优风险感知临床决策的方法。我们以该方法作为前瞻性个性化治疗的赋能手段,考虑了高级别胶质瘤中潜在肿瘤生物学的不确定性,其中标准治疗(SOC)放疗反应的异质性导致了患者预后欠佳。数字孪生通过文献中群体水平临床数据导出的机制模型参数的先验分布进行初始化。随后利用贝叶斯模型校准对数字孪生进行个性化以同化患者特异性磁共振成像数据,并通过求解不确定下的多目标基于风险的优化问题来提出最优放疗治疗方案。该解得到一组患者特异性最优放疗治疗方案,表现出两个竞争临床目标之间的不同权衡水平:(i) 最大化肿瘤控制(以最小化肿瘤体积增长风险为特征)与 (ii) 最小化放疗毒性。所提出的数字孪生框架通过生成一个包含 100 名具有文献中典型高级别胶质瘤生长与反应特性的患者的计算机模拟队列加以说明。在与 SOC 相同的总辐射剂量下,个性化治疗方案使肿瘤进展时间中位数增加约六天。或者,在与 SOC 相同的肿瘤控制水平下,该数字孪生提供的最优治疗选项使辐射剂量中位数较 SOC 总剂量 60 Gy 减少 16.7%(10 Gy)。最优解的范围也为侵袭性癌症患者提供了增加剂量的选项,而 SOC 不能实现充分的肿瘤控制。
引用
@article{arxiv.2308.12429,
title = {Predictive Digital Twin for Optimizing Patient-Specific Radiotherapy Regimens under Uncertainty in High-Grade Gliomas},
author = {Anirban Chaudhuri and Graham Pash and David A. Hormuth and Guillermo Lorenzo and Michael Kapteyn and Chengyue Wu and Ernesto A. B. F. Lima and Thomas E. Yankeelov and Karen Willcox},
journal= {arXiv preprint arXiv:2308.12429},
year = {2024}
}