权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

深層学習ネットワークを用いた、高リスク前立腺癌に対する個別化定位放射線治療の開発

利用深度学习网络开发针对高危前列腺癌的个性化立体定向放射治疗

基本信息

批准号：
20K16725
负责人：
平田岳郎
金额：
$ 2.58万
依托单位：
Osaka University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Early-Career Scientists
财政年份：
2020
资助国家：
日本
起止时间：
2020-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

高精度放射線治療技術の一つである体幹部定位放射線治療（SBRT）は、病巣に高線量を集中し、周囲臓器の被曝を低減することが可能な手法で、前立腺癌への適用も開始されている。しかしながら高リスク症例に対しては良好な治療効果と安全性を両立しうる至適な計画手法がまだ確立されておらず、現在でも研究開発が必要とされている。本研究では、既存の患者データをもとに、深層学習の手法も活用して治療後の有害事象発症やQOL低下を予測するモデルを構築し、そのモデルを用いて患者の臨床背景に応じ周囲臓器に照射される線量を最適化した、有効性と安全性を両立しうる個別化SBRT計画手法を確立し、高リスク前立腺癌の治療に臨床導入することを目指している。研究初年度および2年目に、SBRTを受けた患者のデータを用い、患者背景、放射線治療の線量分布、線量・体積に関する各種パラメータから尿路系・消化器系の有害事象発症、QOL悪化の状況について、ニューラルネットワーク・深層学習を用いた予測モデル（患者背景および放射線治療の線量分布から、有害事象発症やQOL悪化のリスクを予測する）構築を試みたが、至適なモデルの確立に至らなかった。対象症例を増やして再度検討を行う方針とし、追加症例についてのデータ収集を行った上で、2023年度はまず（深層学習でない）機械学習により、予測モデルの構築とバリデーションに取り組んだ。本研究の当初の計画である、深層学習の活用も予定していたが、本年度中には完了しなかった。

The first step in high-precision radiotherapy technology is to concentrate the high dose and reduce the exposure of peripheral organs in patients with advanced adenocarcinoma. For example, a good treatment outcome and safety profile were established, and appropriate planning methods were established and research was developed. This study aims to provide access to existing patient data, use of deep learning techniques to build a model for predicting post-treatment harmful events and poor QOL, and use the model to optimize the amount of radiation provided by the peripheral device in the patient's clinical background, establish an individualized SBRT planning approach that is effective and safe, and provide clinical guidance for the treatment of high-risk prostate cancer. The initial year of the study, SBRT exposure, patient background, radiation dose distribution, dose·volume, various factors related to adverse events in the urinary system·digestive system, QOL exposure, QOL status, QOL exposure, QOL exposure, Q (Patient background and radiation therapy dose distribution, adverse event symptoms, QOL changes, etc.) For example, we will increase the number of cases, re-examine the implementation policy, add cases, collect data sets, and conduct research on machine learning in 2023. The original plan of this study is to use deep learning to determine the future of this study.