マシン・ラーニングベースの患者特有の放射線外科計画品質保証のためのタイムシリーズアプローチ
Simone Buzzi1,2, Pietro Mancosu1,3, Andrea Bresolin1
1Radiotherapy and Radiosurgery Department, IRCCS Humanitas Research Hospital, Via Manzoni 56, Rozzano, 20089 Milan, Italy.
Bioengineering (Basel, Switzerland)
|August 28, 2025
まとめ
機械学習はステレオタクシー放射線外科 (SRS) の品質保証結果を正確に予測し,失敗を減らすことができます. このAIツールは,複雑なSRS計画における患者特有の品質保証 (PSQA) の効率を高めます.
科学分野:
- 医学物理学
- 放射線腫瘍学
- 機械学習
背景:
- 多発性脳転移に対するステレオタキシ放射線外科 (SRS) は,適合的な用量分布を提供します.
- SRS計画は,患者特有の品質保証 (PSQA) の失敗リスクを増加させる極度の機械パラメータの調節を必要とする.
研究 の 目的:
- 機械学習 (ML) モデルを開発し,SRSプランのPSQA結果 (ガンマ合格率,GPR) を予測する.
- SRS治療におけるPSQAの効率と信頼性を向上させる.
主な方法:
- 2020年から2024年の間に治療を受けた592人の患者のデータを利用した.
- インプット機能として15のプランの複雑性メトリックを抽出しました.
- トレーニング,検証,MLモデルのテストのために,階層化およびタイムシリーズデータ分割を使用した.
主要な成果:
- MLモデルはテストセットで平均絶対誤差2.6%を達成した.
- GPRの予測において高い感度 (93%) と特異性 (56%) を示した.
- 測定されたGPR値の低さに対する過大評価の傾向が確認された.
結論:
- MLモデルは,SRSの仮想QAのために臨床実践に効果的に統合できます.
- このアプローチにより,より効率的で標的を絞った PSQA 戦略が容易になります.
- 脳転移に対するSRS投与の安全性と有効性を高めます.
