检测患者特异性质量保证中的统计过程控制得出的超出耐受限的异常值

科学领域:

• 医学物理 医学物理
• 放射治疗规划 放射治疗规划
• 医疗保健中的机器学习

背景情况:

• 患者特异性质量保证 (QA) 识别了放射治疗计划中的剂量差异.
• 在测量过程中检测到的超出耐受性的计划可能会导致严重的治疗延迟,往往需要重新规划.
• 在治疗计划阶段早期识别潜在的计划偏差对于减轻这些风险至关重要.

研究的目的:

• 开发和验证一个异常检测模型,用于早期识别超出耐受性的放射治疗计划.
• 通过在规划阶段发现计划问题来减少治疗延迟和重新规划的需要.
• 提高放射治疗治疗计划的效率和可靠性.

主要方法:

• 利用从门口剂量计中获得的患者特异性QA数据用于立体性身体放射治疗 (2020-2021年).
• 分析了胸部和骨盆部位的数据,使用马传导率 (2%/2mm,2%/1mm,1%/1mm标准).
• 采用统计过程控制来确定容忍限值,并对计划复杂度指标训练了强大的协变性,隔离森林和一类SVM模型.

主要成果:

• 对于骨盆和胸部部位的特定位置和特定标准的耐受性和作用极限.
• 一级支向量机器模型表现出卓越的性能.
• 最好的模型实现了高回忆率 (1.0) 和F1分数为0.72 (胸部,2% / 2mm) 和0.70 (骨盆,2% / 1mm).

结论:

• 开发的异常结果检测模型可以早期识别潜在的超出容忍范围的计划.
• 在规划阶段对计划的精细化得到了便利,避免在测量过程中发现后期发现.
• 这种方法提高了治疗计划的效率,并降低了治疗中断的风险.