Формирование доставляемых DICOM RT планов лучевой терапии при VMAT по поводу рака предстательной железы путем прогнозирования последовательностей движения многолепесткового коллиматора с помощью сети типа энкодер-декодер

Введение: Автоматическое планирование на основе глубокого обучения является активной областью исследований; однако для некоторых задач по-прежнему требуется система планирования лечения (TPS).

Цель: Представить модель на основе глубокого обучения, которая формирует доставляемые планы лечения DICOM RT, непосредственно облучаемые линейным ускорителем (LINAC). Модель основана на сети типа энкодер-декодер и позволяет прогнозировать последовательности движения многолепесткового коллиматора (MLC) для VMAT-лучевой терапии рака предстательной железы.

Методы: В исследование включили 619 планов лечения 460 пациентов, получавших лечение по поводу рака предстательной железы с применением VMAT по одной дуге. Сеть типа энкодер-декодер обучали на 465 клинических планах лечения и валидировали на 77 планах. Работу модели оценивали на отдельной тестовой выборке из 77 планов лечения. Отдельно вычисляли L1-потери для положений лепестков и челюстей, а также для мониторных единиц; потерю для лепестков взвешивали коэффициентом 100 перед добавлением к другим потерям. Сгенерированные планы пересчитывали в системе планирования лечения, после чего сравнивали дозно-объемные показатели и коэффициенты прохождения по гамма-критерию с исходной дозой.

Результаты: Все сгенерированные планы лечения хорошо согласовывались с исходными данными; средний коэффициент прохождения по гамма-критерию (3%/3 мм) составил 91,9 ± 7,1%. Однако покрытие PTV в сгенерированных планах было несколько ниже (D = 92,9 ± 2,6%) по сравнению с исходными планами (D = 95,7 ± 2,2%). Значимых различий по средней дозе на мочевой пузырь между предсказанным и исходным планом не было (Dof 28,0 ± 13,5 против 28,1 ± 13,3% предписанной дозы), как и по прямой кишке (Dof 42,3 ± 7,4 против 42,6 ± 7,5%). Максимальная доза на мочевой пузырь в предсказанных планах была лишь немного выше (D2% 100,7 ± 5,3 против 99,8 ± 4,0%), а для прямой кишки — даже ниже (D2% 100,5 ± 3,7 против 100,1 ± 4,3). 98% 98% среднее среднее

Выводы: Модель на основе глубокого обучения может прогнозировать последовательности движения MLC в планах VMAT для рака предстательной железы, устраняя необходимость в формировании последовательности внутри TPS и тем самым радикально меняя автономные рабочие процессы планирования лечения. Это исследование замыкает цикл процессов планирования лечения на основе глубокого обучения, обеспечивая более эффективные рабочие процессы для лучевой терапии с адаптацией в реальном времени или в режиме online.