.png){kind=icon}
返回
MOAC-RT: Personalized multi-objective radiotherapy using actor-critic deep reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s00500-025-10788-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
放射疗法（RT）是癌症患者治疗中的一种常见方法，通过多次治疗会话逐步递送指定剂量的辐射，逐步靶向肿瘤以实现渐进清除。传统RT采用固定计划和恒定剂量分数。然而，不同患者因不同原因可能对放射治疗产生不同反应。有效的治疗计划在RT中至关重要，旨在最大化治疗质量，平衡肿瘤照射和健康组织保护，使其成为一个多目标问题。此外，由于该治疗涉及多个会话，它本质上是一个序贯决策问题。本文将RT治疗计划建模为多目标强化学习问题，使用2D肿瘤生长模拟，并纳入氧气水平、葡萄糖分布和细胞状态等因素。我们提出了一种基于预训练MobileNetV2网络的演员-评论家深度强化学习方法，称为MOAC-RT，用于优化放射治疗计划（剂量和计划）。结果表明，一种个性化的RT治疗计划，根据肿瘤状态向其递送1至2 Gy的剂量，并根据辐射对肿瘤的影响和健康细胞状态选择休息时间，可以优于标准方法和先前工作，因为它能在更短时间内完成治疗，使用更少的处方剂量，并减少所需的治疗会话次数。
Keyword:
Radiotherapy
Multi-objective optimization
Reinforcement learning
DDPG algorithm
MobileNetV2
Personalized Medicine
期刊
IF:
2.5
论文数:
1.0W
被引数:
2.1W
机构
引用论文
Multiscale computational modeling of cancer growth using features derived from microCT images.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Artificial intelligence-based radiotherapy machine parameter optimization using reinforcement learningMEDICAL PHYSICS
MEDICAL PHYSICSIF3.2
PREAI
分享收藏Artificial Intelligence in Radiotherapy Treatment Planning: Present and Future人工智能在放射治疗计划中的应用: 现状与未来OAAI
OAAI分享收藏Deep reinforcement learning for automated radiation adaptation in lung cancerMEDICAL PHYSICSOAAI
MEDICAL PHYSICSIF3.2
OAAI分享收藏Artificial intelligence based treatment planning of radiotherapy for locally advanced breast cancerOAAI
OAAI分享收藏
查看更多内容