使用 WB-CT/MRI 和合成 WB-CT 通过 VMAT 优化自动化 TMI 的人工智能算法 - AuToMI 项目 (AuToMI)

全身照射 (TBI) 被证明有助于提供免疫抑制，从而促进供体移植的接受。 此外，TBI 在消灭恶性细胞中发挥作用，也可能耗尽正常造血干细胞，从而帮助供体骨髓细胞重新填充骨髓 (BM)。 随机试验表明，包括 TBI 在内的 BMT 预处理方案比单纯化疗方案产生了更好的存活率。

TBI 目标由整个 BM 代表，最终是整个淋巴系统、肝脏、脾脏。 通常，采用非常简单的几何形状，将患者放置在距离直线加速器 3-4 米的专用沙发上，以单光束完全覆盖目标，避免场交界处。

预期寿命的增加揭示了由于风险器官 (OAR) 接受全剂量而导致的重要毒性的发生，这限制了 TBI 的使用，如 2018 ILGROG 指南所述。 因此，许多小组探索了在增加 BM 剂量的同时减少健康组织剂量的复杂技术的可能性。 这些较新的方法旨在产生全骨髓（淋巴结）照射（TMI/TMLI），尽可能多地保留非骨骼和非淋巴结构。

I/II 期试验的初步临床数据支持使用 TMI/TMLI 作为 BMT 对复发难治性急性白血病患者和多发性骨髓瘤患者进行预处理的一部分。 然而，由于需要很多天的计划极其困难，TMI/TMLI 的采用仍然非常限于少数熟练的医院。

我们研究所于 2009 年开始使用容积调制弧形疗法 (VMAT) 评估 TMI/TMLI，我们在 10 年内治疗了大约 90 名患者。

VMAT-TMI/TMLI 需要来自具有不同位置的等中心的多个弧，以完全包括患者身长。 因此，应管理具有不同等中心点的弧之间的许多场连接。 此外，CT 长度不允许在单次 CT 扫描中获取患者。 必须获取并共同注册两个 CT 系列。

实际上，优化 TMI/TMLI 计划所需的时间为 10 天。 因此，模拟计算机断层扫描 (CT) 在 BMT 之前多天进行。 此外，淋巴结仅在 CT 图像上定义。

医学成像和 RT 中的深度学习 (DL) 人工智能 (AI) 算法正在迅速扩展。 深度学习专注于通过特征提取进行病变检测和分类。 在许多地区实施了使用全卷积网络 (FCN)、整体嵌套网络 (HNN) 或其他定制网络架构的图像分割。

在过去几十年中，越来越多地使用磁共振成像 (MRI) 来支持 RT。 MRI 提供出色的软组织成像，可以提高目标清晰度。 基于 MRI 的淋巴结轮廓将导致更小的目标，从而更好地保护健康组织。 此外，MRI 显着降低了观察者间/观察者内轮廓的可变性。 为此，开发了新一代 MRI 控制台，具有更大的孔径、平坦的桌面和专用成像协议，图像失真减少到 <1 毫米。 此外，新开发的梯度回波 3D 序列和专用线圈可用于在几分钟内生成全身 WB-MRI 采集。 此外，在某些地区（即 MRI）提出并实施了 MRI 合成 CT。 脑和前列腺）来代替 CT 为剂量计划计算提供电子密度信息。