Muhammed Emin BEDİR
Acıbadem Üniversitesi Sağlık Bilimleri Dergisi - 2026;17(4):0-0
Amaç: Derin öğrenme radyoterapi doz tahminini hızlandırabilir; ancak parçacık terapisi veri kümeleri sınırlıdır. Yalnızca foton planlarıyla eğitilmiş fizik tabanlı bir topluluk modelinin, parçacık doz verisiyle eğitilmeden proton ve karbon iyon doz dağılımlarını tahmin edip edemeyeceği değerlendirildi. Yöntemler: matRad kullanılarak beş anatomi ve altı ışın yapılandırması için 90 referans plan (foton, proton ve karbon iyon) üretildi. BT görüntüsü, yapı maskeleri ve modaliteye özgü ışın izleme/derinlik-doz kanallarını birleştiren 13 kanallı girdi SOTA-UNet3D, Res-UNet3D ve Trans-UNet3D ağlarına verildi; voksel düzeyindeki ortalamaları Voltron topluluğunu oluşturdu. Dört test anatomisinde leave-one-anatomy-out değerlendirme ve yalnızca foton eğitimi kullanıldı. Performans PyMedPhys gama analizi (%3/3 mm ve %2/2 mm; %10 düşük doz eşiği) ve ortalama mutlak hata (MAE) ile değerlendirildi. Bulgular: Dört dışarıda bırakılan anatomi genelinde ortalama %3/3 mm gama geçiş oranları foton, proton ve karbon iyon için sırasıyla %23,5, %23,3 ve %21,5; %2/2 mm oranları ise %15,8, %15,5 ve %14,5 idi. Ortalama MAE yaklaşık 5,2-5,3 Gy idi. Çalışmanın önceki bir sürümünde bildirilen %73,2/%70,8/%69,1 değerleri standart dışı gevşek bir ölçütle hesaplanmıştı; burada sunulan tüm değerler standart gama indeksine dayanmaktadır. Sonuç: Fizik tabanlı girdilerle yalnızca foton eğitimi, sıfır-atışlı parçacık doz tahmini için tekrarlanabilir bir fizibilite temeli sağlamaktadır. Performans klinik düzeyde değildir; ancak modaliteler arası küçük performans kaybı, foton verisinden öğrenilen anatomik ve geometrik özelliklerin parçacık terapisine aktarılabildiğini düşündürmektedir.
