BayesDose：使用贝叶斯 LSTM 预测具有模型不确定性的综合质子剂量
BayesDose: Comprehensive proton dose prediction with model uncertainty using Bayesian LSTMs
AI总结：
提出 BayesDose-Framework，基于贝叶斯 LSTM 的质子治疗剂量预测方法，通过 2D 高斯混合模型参数化网络权重量化预测不确定性，在保持与确定性模型相当性能的同时提供保守但相关性良好的不确定性估计，有望支持临床决策与质量保证。
摘要：
我们提出了 BayesDose-Framework，这是一种用于质子治疗中快速且准确剂量预测的贝叶斯方法。我们的框架基于先前发表的一种确定性 LSTM 模型，并在来自水体模和患者几何结构的模拟束let剂量上进行训练和评估。我们使用 2D 高斯混合模型对网络权重进行参数化，并使用集成预测来量化平均剂量预测及其标准差。BayesDose 模型的表现与确定性变体相似。不确定性预测较为保守，但在空间和幅度上与剂量差异具有良好的相关性。当应用于具有未见过的相对阻止本领值范围的患者数据时，这种相关性会降低，但可以通过重新训练成功解决。我们并行化预测并预采样网络权重以减少运行时开销。像 BayesDose 这样的贝叶斯模型可以提供与确定性模型质量相当的快速预测，并可能在未来支持临床环境中的决策和质量保证。
英文摘要：
We propose the BayesDose-Framework, a Bayesian approach for fast and accurate dose prediction in proton therapy. Our framework is based on a previously published deterministic LSTM model and is trained and evaluated on simulated beamlet doses from water phantoms and patient geometries. We parameterize the network's weights using 2D Gaussian mixture models and use ensemble predictions to quantify mean dose predictions and their standard deviation. The BayesDose model performs similarly to the deterministic variant. The uncertainty predictions are conservative but correlate well spatially and in magnitude with dose differences. This correlation is reduced when applied to patient data with unseen relative stopping power value ranges, which could be successfully addressed by re-training. We parallelize predictions and presample network weights to reduce runtime overhead. Bayesian models like BayesDose can provide fast predictions with quality equal to deterministic models and may support decision making and quality assurance in clinical settings in the future.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
