Итеративное обучение модели дозиметрического планирования стерео- таксической лучевой терапии при патологиях грудного и поясничного отделов позвоночника

Представлены результаты применения итеративного подхода к оптимизации многокритериальных моделей распределения дозы ионизирующего излучения для стереотаксической лучевой терапии позвоночника. В исследовании использовались две модели: базовая многокритериальная модель (SRT_Vert_BM, от англ. Baseline Multicriteria Model) и усовершенствованная многокритериальная модель (SRT_Vert_IM, от англ. Iterative Multicriteria Model). Первая построена на основе клинической выборки дозиметрических планов, вторая создана итеративным методом, при котором обучающая выборка формировалась из планов, сгенерированных исходной моделью. Валидация показала, что SRT_Vert_IM обеспечивает статистически значимое улучшение прогностических характеристик (повышение коэффициента детерминации R², снижение среднеквадратичной ошибки MSE) и дозиметрических параметров для билатеральных паренхиматозных органов риска (p < 0,05) при сохранении клинически приемлемого покрытия целевого объема облучения. Итеративное обучение позволило повысить воспроизводимость и достоверность качества дозиметрических планов, что подтверждает перспективность данного подхода для совершенствования процесса планирования стереотаксической лучевой терапии.

1. Volumetric modulated arc therapy: a review of current literature and clinical use in practice / M. Teoh, C. H. Clark, K. Wood [et al.] // The British Journal of Radiology. – 2011. – Vol. 84, № 1007. – P. 967–996. https://doi.org/10.1259/bjr/22373346

2. Intercenter validation of a knowledge based model for automated planning of volumetric modulated arc therapy for prostate cancer. The experience of the German RapidPlan Consortium / C. Schubert, O. Waletzko, C. Weiss [et al.] // PLoS One. – 2017. – Vol. 12, № 5. – Art. ID e0178034. https://doi.org/10.1371/journal.pone.0178034

3. Is it possible for knowledge-based planning to improve intensity modulated radiation therapy plan quality for planners with different planning experiences in left-sided breast cancer patients? / J. Wang, W. Hu, Z. Yang [et al.] // Radiation Oncology. – 2017. – Vol. 12, № 1. – Art. ID 85. https://doi.org/10.1186/s13014-017-0822-z

4. Reducing inter- and intra-planner variability in radiotherapy plan output with a commercial knowledge-based planning solution / A. Scaggion, M. Fusella, A. Roggio [et al.] // Physica Medica. – 2018. – Vol. 53. – P. 86–93. https://doi.org/10.1016/j.ejmp.2018.08.011

5. Lahanas, M. Multiobjective inverse planning for intensity modulated radiotherapy with constraint-free gradient-based optimization algorithms / M. Lahanas, E. Schreibmann, D. Baltas // Physics in Medicine and Biology. – 2003. – Vol. 48, № 17. – P. 2843–2871. https://doi.org/10.1088/0031-9155/48/17/307

6. Петкевич, М. Н. Разработка и машинное обучение многокритериальной модели распределения дозы ионизирующего излучения в системе планирования лечения Eclipse / М. Н. Петкевич, В. Ю. Юшкевич // Весці Нацыянальнай акадэміі навук Беларусі. Серыя фізіка-тэхнічных навук. – 2025. – Т. 70, № 2. – С. 166–176. https://doi.org/10.29235/15618358-2025-70-2-166-176

7. Shiraishi, S. Knowledge-based prediction of three-dimensional dose distributions for external beam radiotherapy / S. Shiraishi, K. L. Moore // Medical Physics. – 2016. – Vol. 43, № 1. – Art. ID 378. https://doi.org/10.1118/1.4938583

8. Pareto navigation – algorithmic foundation of interactive multi-criteria IMRT planning / M. Monz, K. H. Küfer, T. R. Bortfeld, C. Thieke // Physics in Medicine and Biology. – 2008. – Vol. 53, № 4. – P. 985–998. https://doi.org/10.1088/00319155/53/4/011

9. Assessment of a model based optimization engine for volumetric modulated arc therapy for patients with advanced hepatocellular cancer / A. Fogliata, P. M. Wang, F. Belosi [et al.] // Radiation Oncology. – 2014. – Vol. 9. – Art. ID 236. https://doi.org/10.1186/s13014-014-0236-0

10. RapidPlan head and neck model: the objectives and possible clinical benefit / A. Fogliata, G. Reggiori, A. Stravato [et al.] // Radiation Oncology. – 2017. – Vol. 12, № 1. – Art. ID 73. https://doi.org/10.1186/s13014-017-0805-0

11. A broad scope knowledge based model for optimization of VMAT in esophageal cancer: validation and assessment of plan quality among different treatment centers / A. Fogliata, G. Nicolini, A. Clivio [et al.] // Radiation Oncology. – 2015. – Vol. 10. – Art. ID 234. https://doi.org/10.1186/s13014-015-0545-y

12. An analysis of knowledge-based planning for stereotactic body radiation therapy of the spine / J. J. Foy, R. Marsh, R. K. Ten Haken [et al.] // Practical Radiation Oncology. – 2017. – Vol. 7, № 5. – P. 355–360. https://doi.org/10.1016/j.prro.2017.02.007

13. Highly efficient training, refinement, and validation of a knowledge-based planning quality-control system for radiation therapy clinical trials / N. Li, R. Carmona, I. Sirak [et al.] // International Journal of Radiation Oncology – Biology – Physics. – 2017. – Vol. 97, № 1. – P. 164–172. https://doi.org/10.1016/j.ijrobp.2016.09.022

14. DVH Estimation Algorithm for RapidPlan // Eclipse Photon and Electron Algorithms Reference Guide. – Palo Alto, CA: Varian Medical Systems, 2014. – P. 219–229. URL: https://www.varian.com/sites/default/files/resource_attachments/EclipsePhotonElectronAlgorithmsRef_0.pdf (date of access: 01.02.2025).

15. Machine learning and modeling: Data, validation, communication challenges / I. El Naqa, D. Ruan, G. Valdes [et al.] // Medical Physics. – 2018. – Vol. 45, № 10. – P. 834–840. https://doi.org/10.1002/mp.12811