目的:探討機器學習在肺癌容積旋轉(zhuǎn)調(diào)強（VMAT）治療計劃對心臟和肺的劑量體積直方圖（DVH）預測的可行性。方法:選取51例肺癌VMAT計劃,隨機選取其中43例為訓練組,剩余8例為驗證組。分析訓練組中患者的解剖信息與兩側(cè)肺V₅、V₂₀和心臟V₃₀、V₄₀的相關(guān)性。采用機器學習方法,以解剖信息為輸入、危及器官（OAR）的DVH為輸出,分別構(gòu)建并訓練關(guān)于兩側(cè)肺以及心臟的人工神經(jīng)網(wǎng)絡(luò)模型。將驗證組中8例VMAT計劃中的解剖信息分別輸入到已經(jīng)構(gòu)建好的人工神經(jīng)網(wǎng)絡(luò)模型,分別預測OAR的DVH。結(jié)果:兩側(cè)肺V₅、V₂₀和心臟V₃₀、V₄₀受自身體積大小影響可忽略,受OAR與靶區(qū)的空間相對位置關(guān)系影響較大�；紓�(cè)肺、對側(cè)肺、心臟的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型中隱藏層分別含有41、38、34個神經(jīng)結(jié)點,線性回歸系數(shù)分別為0.994、0.975、0.986。對驗證組中患側(cè)肺和對側(cè)肺的V₅、V₂₀的預... 

【文章來源】：中國醫(yī)學物理學雜志. 2020,37(07)CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

訓練人工神經(jīng)網(wǎng)絡(luò)程序流程圖

OAR的劑量學指數(shù)均在較大范圍內(nèi)波動。患側(cè)肺、對側(cè)肺、心臟的劑量學指數(shù)和自身體積的r值在-0.13～0.15內(nèi)，呈現(xiàn)為弱相關(guān)性，如表1所示。2.4 訓練組中OAR劑量學指數(shù)與PTV體積、部分R(d)的相關(guān)性

圖3a是關(guān)于患側(cè)肺的輸出結(jié)果，線性回歸性較好，輸出沿著回歸直線（R=0.994）分布；圖3b是關(guān)于對側(cè)肺的輸出結(jié)果，輸出分布較為散亂，部分輸出沿回歸直線（R=0.975）分布，整體線性回歸性較差；圖3c是關(guān)于心臟的輸出結(jié)果，輸出的劑量指數(shù)Vx在0～40%內(nèi)線性回歸表現(xiàn)較好，40%～100%內(nèi)，輸出回歸性一般，整體輸出沿著回歸直線（R=0.986）分布，部分輸出遠離回歸直線。2.6 人工神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果的驗證

【參考文獻】：
期刊論文
[1]非小細胞肺癌腫瘤體積大小對調(diào)強放射治療肺劑量體積參數(shù)的影響[J]. 鄒喜,陳金梅,洪金省,郭飛寶,藍林臻,張緯建.  中南大學學報(醫(yī)學版). 2017(04)
[2]非小細胞肺癌調(diào)強放療后急性放射性肺炎發(fā)生與劑量體積直方圖參數(shù)之間的關(guān)系[J]. 黃雄,蔡傳書.  吉林大學學報(醫(yī)學版). 2014(04)



本文編號：3130502