基于深度学习的工具,以区分基于EPID的体内剂量测量中的计划特异性和通用偏差

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:

• 基于电子门户成像设备 (EPID) 的体内剂量测量 (EIVD) 对于辐射治疗质量保证至关重要.
• 计划和输送剂量之间的偏差,分为通用或计划特定,使EIVD分析复杂化.
• 传统的马评估方法很难有效地区分和管理这些偏差类型.

研究的目的:

• 评估深度学习 (DL) 工具在区分EIVD中的通用偏差和计划特定偏差方面的有效性.
• 为了提高在放射治疗期间临床相关的患者特异性偏差的检测能力.

主要方法:

• 训练了一台3D U-Net自编码器,以识别各种治疗地点 (VMAT肺,前列腺,头;IMRT乳房) 的马分布的通用偏差模式.
• 将DL模型的性能与传统的马分析进行比较,使用接收器操作员特征分析来检测引入的患者相关偏差 (定位,体重,瘤体积变化).
• 使用793个体内EIVD病例来评估临床相关性.

主要成果:

• 与马分析相比,DL网络在患者相关偏差方面显示出更高的错误检测能力 (平均AUC为0.86与0.69).
• 在DL和马分析之间观察到显著的分类差异,特别是在头 (18%) 和乳腺癌 (64%) 治疗方面.
• DL成功地确定了马分析遗漏的与患者相关的偏差,并将真正的警报与EPID限制或TPS不准确引起的警报区分开来.

结论:

• 基于DL的工具可以自动识别由通用偏差引起的假阳性马警报.
• 这些DL工具显著提高了检测关键计划特定偏差的性能,降低了虚假负数的风险.
• 拟议的DL方法为辐射治疗中管理大型EIVD系统提供了实质性的附加值.