将计划复杂性和剂量学特征与深度学习相结合,用于体积调制弧线治疗的患者特定质量保证
1Department of Radiotherapy Center, 1st Affiliated Hospital of Wenzhou Medical University, Wenzhou, China.
Radiation oncology (London, England)
|July 11, 2023
概括
深度学习与剂量学和计划复杂性特征相结合,在体积调节弧线治疗的患者特异性质量保证中预测马通过率方面显示出希望. 这种综合方法提高了质量保证预测的准确性.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 医疗保健中的人工智能
背景情况:
- 患者特异性质量保证 (PSQA) 对于确保放射治疗的准确性至关重要.
- 卷度调制弧线疗法 (VMAT) 是一种广泛使用的先进放射疗法技术.
- 传统的PSQA方法可能耗时且资源密集.
研究的目的:
- 在VMAT中评估PSQA深度学习 (DL) 模型的可行性和性能.
- 调查DL与计划复杂性 (PC) 和剂量学特征的联合使用.
- 为了预测VMAT计划的马通过率 (GPR).
主要方法:
- 对201个VMAT计划进行了回顾性分析,并测量了PSQA结果.
- 使用随机森林 (RF) 计算PC指标和提取/选择剂量学特征.
- 适应和培训一个DLDenseNet模型,将PC和dosiomics功能用于PSQA预测.
主要成果:
- 组合模型 (PC + Dosiomics + DL) 显著改善了跨不同玛标准的GPR预测曲线下的面积 (AUC).
- 在2%/2毫米标准下,最好的AUC为0.942,具有100%的灵敏度,81.8%的特异性和83.6%的准确性.
- 结合DL与dosiomics和PC功能的模型仅使用PC或dosiomics功能的模型.
结论:
- 将深度学习与dosiomics和计划复杂度指标集成,为预测VMAT PSQA中的GPR提供了一个有希望的方法.
- 这种联合策略提高了放射治疗中患者特异性质量保证的准确性和效率.
- 这些发现表明,人工智能驱动的工具有可能简化和改进放射治疗质量保证流程.
