放射疗法中的亚组别特定风险控制剂量估计
机器学习
2024-07-12 v1
摘要
癌症仍是死亡原因的首要原因，凸显了有效放射疗法（RT）的重要性。磁共振引导线性加速器（MR-Linacs）使放射疗法期间可进行成像，从而实现了治疗计划的亚剂量甚至剂量级的调整。然而，这需要快速而准确的剂量计算。虽然蒙特卡罗模拟提供了准确性，但计算量大。深度学习框架显示出前景，但缺乏对高风险应用如放射疗法中至关重要的不确定性量化。风险控制预测集（RCPS）提供了具有数学保证的模型无关不确定性量化方法。然而，我们指出，单纯应用 RCPS 可能仅对某些亚组别（如图像背景）实现风险控制。在本工作中，我们将 RCPS 扩展提供用于多个亚组别且在测试时亚组别成员身份未知的预测区间，具有覆盖保证。我们在来自五个解剖区域的真实临床计划体积上对算法进行评估，表明我们提出的新型亚组别 RCPS（SG-RCPS）算法导致的预测区间对多个亚组别联合控制风险。特别地，我们的方法在控制沿放射束关键脑区的风险方面显著优于传统 RCPS。
引用
@article{arxiv.2407.08432,
title = {Subgroup-Specific Risk-Controlled Dose Estimation in Radiotherapy},
author = {Paul Fischer and Hannah Willms and Moritz Schneider and Daniela Thorwarth and Michael Muehlebach and Christian F. Baumgartner},
journal= {arXiv preprint arXiv:2407.08432},
year = {2024}
}
备注
This work was accepted as a full paper at MICCAI 2024