评估完整的自动化基于知识的计划流程的重要性
医学物理
2019-11-01 v1 人工智能
摘要
我们确定了在两阶段基于知识的计划（KBP）流程中，预测方法如何与优化方法结合以生成放射治疗计划。我们使用相同的 130 份治疗计划训练了两种剂量预测方法：生成对抗网络（GAN）和随机森林（RF）。将这些模型应用于 87 名样本外患者，生成两组预测剂量分布，并作为两种优化模型的输入。第一种优化模型为逆向计划（IP），从预测剂量分布估计剂量目标的权重，并使用常规逆向计划生成新计划。第二种优化模型为剂量模仿（DM），利用若干剂量目标最小化预测值与生成计划之间单侧二次惩罚之和。总计构建了四条 KBP 流程（GAN-IP、GAN-DM、RF-IP 和 RF-DM），并使用临床标准与相应的临床计划进行基准比较；同时还评估了两种预测方法的误差。表现最佳的计划为 GAN-IP 计划，其满足相应临床计划相同标准（78%）的频率高于任何其他 KBP 流程。然而，对于第二阶段优化模型，GAN 未必提供最佳预测。具体而言，RF-IP 与 RF-DM 计划满足所有临床标准的频率分别比 GAN-DM 计划（表现最差的计划）高 25% 和 15%。GAN 预测的平均绝对误差（3.9 Gy）也高于 RF（3.6 Gy）。我们发现，最先进的预测方法在与不同优化算法配对时，所产生的治疗计划在质量上存在显著差别。
引用
@article{arxiv.1910.14257,
title = {The importance of evaluating the complete automated knowledge-based planning pipeline},
author = {Aaron Babier and Rafid Mahmood and Andrea L. McNiven and Adam Diamant and Timothy C. Y. Chan},
journal= {arXiv preprint arXiv:1910.14257},
year = {2019}
}