放射線治療セットアップ誤差のリアルタイム検出と人工知能およびビッグデータに基づくインテリジェント品質管理方法に関する研究
Weixiang Lin1, Chengjian Xiao1, Liangjie Xiao2
1Department of Radiation Oncology, Ganzhou Cancer Hospital, Ganzhou, China.
Frontiers in oncology
|February 23, 2026
まとめ
この研究では、異常な6次元（6D）放射線治療セットアップ誤差をほぼリアルタイムで検出するための教師なし機械学習アプローチを開発した。この手法は、放射線治療中の患者の安全性を向上させるための堅牢な品質保証ツールを提供する。
科学分野:
- 医学物理学
- ヘルスケアにおける機械学習
- 放射線治療品質保証
背景:
- 正確な患者位置決めは、効果的な放射線治療に不可欠である。
- 現在のセットアップ誤差検出方法は、適時なアラートを提供しない可能性がある。
- 品質保証のために、リアルタイム誤差検出のための自動化システムの開発が不可欠である。
研究 の 目的:
- 統計的に異常な6次元（6D）放射線治療セットアップ誤差をほぼリアルタイムで検出するための教師なし機械学習（ML）モデルを開発および検証する。
- さまざまな固定技術および治療部位にわたるMLアプローチの堅牢性を評価する。
- 放射線治療の品質保証を強化するための「セットアップ監視アラート」フレームワークを確立する。
主な方法:
- 7,539件のCBCTベースの6Dセットアップ誤差記録の分析。
- 2つの教師なしMLモデル（アイソレーションフォレスト（IF）およびローカル外れ値ファクター（LOF））の開発と比較。
- ROC-AUC、PR-AUC、および固定偽陽性率（FPR≈5%）での感度を使用したパフォーマンス評価、固定方法および治療部位別のサブグループ分析を実施。
主要な成果:
- アイソレーションフォレスト（IF）モデルは、LOF（ROC-AUC = 0.880）と比較して優れた性能（ROC-AUC = 0.960）を示した。
- ほとんどの固定方法で高い性能（AUC≥0.92）が達成され、特定のマスクの組み合わせでほぼ理想的な結果が得られた。
- 解釈可能性分析により、AP、ピッチ、LR方向が異常検出の主要な貢献者であることが特定され、時間の経過とともに安定した性能を示した。
結論:
- 教師なし学習は、統計的に異常な放射線治療セットアップパターンを特定するために実行可能である。
- 閉ループの「セットアップ監視アラート」フレームワークを臨床ワークフローをサポートするために実装できる。
- このMLベースのアプローチは、線量測定評価および臨床的意思決定を補完する補助的なアラートツールとして機能する。
