患者特有のVMAT品質保証のための複雑性ベースの無監督機械学習
Savino Cilla1, Carmela Romano1, Pietro Viola1
1Medical Physics Unit, Responsible Research Hospital, Campobasso, Italy.
Medical physics
|August 24, 2025
まとめ
無監督の機械学習は,放射線治療計画における3つの異なるクラスタを特定し,患者特有の品質保証結果を予測し,治療効率を向上させました. このアプローチは放射線治療の計画と検証プロセスを最適化するのに役立ちます.
科学分野:
- 医学物理学
- 放射線治療技術
- 医療における機械学習
背景:
- 患者特有の品質保証 (PSQA) は,安全で正確な放射線治療に不可欠です.
- 増強度調節技術の使用により,PSQAの運用効率が向上する必要があります.
- 機械学習 (ML) はPSQAの結果を予測するのに有望ですが,プランの複雑さを分析するための無監督の方法は未熟です.
研究 の 目的:
- PSQAデータにおけるパターンとグループを特定するための無監督ML方法を探求する.
- クラスタリングアルゴリズムを用いて放射線治療の複雑性を分析する.
- 計画複雑性指標とPSQAの結果の関係を調べる
主な方法:
- 660人の患者からの1329のVMAT治療前検証データセットの分析.
- 変調複雑度スコア (MCS) とダイナミックログファイルを使用した.
- 3つの無監督クラスタリングアルゴリズム (AHC),K-means (KM),ガウス混合モデル (GMM) を適用した.
- 外部コホートにおける監督モデルを用いたクラスター割り当ての検証
主要な成果:
- クラスタリング分析は,シルエットスコアとデンドログラムに基づいて3つの最適なクラスタを一貫して特定しました.
- クラスター1 (過剰調節されたプラン) は,低ガンマパス率 (76. 7%) と高MCS (0. 112) を示した.
- クラスター3 (最適な計画) は,より高いガンマ通過率 (92. 9%) と,より低いMCS (0. 359) を示し,治療前の検証をスキップする可能性を示唆しました.
- ヘッド・アンド・ネックケースは,過度な調節されたクラスターでより高い複雑性と分類率を示した.
結論:
- 監視されていないクラスタリングは,ドシメトリックQAのVMATプランの複雑さの隠されたパターンを効果的に明らかにします.
- 計画複雑性に基づいた3つのクラスタの分類スキームがデータによって支持されています.
- 変調複雑性スコア (MCS) メトリックは,PSQAの結果の強力な予測指標です.
