The Role of Machine Learning in Knowledge-Based Response-Adapted Radiotherapy.
The Role of Machine Learning in Knowledge-Based Response-Adapted Radiotherapy.
复制标题
DOI：
10.3389/fonc.2018.00266
复制
发表时间：
2018
影响因子：
4.7
通讯作者：
El Naqa I
中科院分区：
文献类型：
--
作者：
Tseng HH;Luo Y;Ten Haken RK;El Naqa I
随着来自多模态成像和生物技术分子来源的放射治疗患者特异性数据的不断增加，基于知识的反应适应性放射治疗（KBR-ART）正在成为放射肿瘤学个性化治疗的重要领域。在KBR-ART中，可以基于患者的临床、几何和生理参数中观察到的线索来修改计划的剂量分布。在本文中，我们介绍了自适应放射治疗（ART）领域的最新进展，KBR-ART的进展，并研究了静态和动态机器学习方法在实现KBR-ART框架潜力方面的几个应用，以最大限度地提高肿瘤控制和最大限度地减少个体放射治疗患者的副作用。具体而言，实现KBR-ART所需的三个问题得到解决：（1）需要什么知识;（2）如何准确估计RT结果;（3）如何最佳适应。将讨论和对比用于KBR-ART应用的不同机器学习算法。不同的KBR-ART阶段的代表性例子也被访问。
With the continuous increase in radiotherapy patient-specific data from multimodality imaging and biotechnology molecular sources, knowledge-based response-adapted radiotherapy (KBR-ART) is emerging as a vital area for radiation oncology personalized treatment. In KBR-ART, planned dose distributions can be modified based on observed cues in patients’ clinical, geometric, and physiological parameters. In this paper, we present current developments in the field of adaptive radiotherapy (ART), the progression toward KBR-ART, and examine several applications of static and dynamic machine learning approaches for realizing the KBR-ART framework potentials in maximizing tumor control and minimizing side effects with respect to individual radiotherapy patients. Specifically, three questions required for the realization of KBR-ART are addressed: (1) what knowledge is needed; (2) how to estimate RT outcomes accurately; and (3) how to adapt optimally. Different machine learning algorithms for KBR-ART application shall be discussed and contrasted. Representative examples of different KBR-ART stages are also visited.
登录
查看更多内容
DOI：
10.1016/0360-3016(90)90037-k
发表时间：
1990-10-01
影响因子：
7
作者：
AGREN, A;BRAHME, A;TURESSON, I
通讯作者：
TURESSON, I
影响因子：
3.5
作者：
El Naqa, I.;Suneja, G.;Deasy, J. O.
通讯作者：
Deasy, J. O.
DOI：
10.1016/j.ijrobp.2004.12.076
发表时间：
2005-07-15
影响因子：
7
作者：
Blanco, AI;Chao, KSC;Deasy, JO
通讯作者：
Deasy, JO
影响因子：
5.8
作者：
Baldi, P;Brunak, S;Pollastri, G
通讯作者：
Pollastri, G
影响因子：
3.5
作者：
de la Zerda, Adam;Armbruster, Benjamin;Xing, Lei
通讯作者：
Xing, Lei