在放射治疗中使用深度学习的错误检测系统
P M Kump1, J Xia2, S Yaddanapudi3
1Department of Electrical and Computer Engineering, College of Engineering, Kansas State University, Manhattan, KS, USA.
Annals of biomedical research
|January 5, 2024
概括
一个新的算法将放射治疗数据转换为热图,使深度学习能够自动验证治疗地点并防止患者受到伤害. 这种方法在预测治疗地点方面达到97.8%的准确性,提高了放射瘤学的安全性.
科学领域:
- 医学物理 医学物理
- 医疗保健中的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 由于损坏的数据导致的放射治疗错误可能会导致严重的患者伤害.
- 目前用于验证治疗计划的方法复杂,可能无法捕获所有错误.
- 自动验证对于提高放射瘤学患者安全至关重要.
研究的目的:
- 开发一种新的算法,用于结构化放射治疗计划数据.
- 通过使用深度学习实现处理站点的自动验证.
- 为了提高放射治疗的安全性和准确性.
主要方法:
- 一个新的算法将几何和剂量参数转换为代表治疗计划数据的热图.
- 深度学习分类器,特别是卷积神经网络 (ConvNets),用于从这些热图中预测治疗地点.
- 该算法使用来自头,乳腺和前列腺癌患者的真实世界治疗计划数据进行了评估.
主要成果:
- 拟议的算法成功地将复杂的治疗计划数据结构化为可解释的热图.
- 作为ConvNet架构的ResNet-18在分类处理站点方面实现了最高的准确性 (97.8%) 和F-1得分 (0.979).
- 热图保留了足够的信息来准确预测处理地点,尽管使用有限的计划参数.
结论:
- 开发的算法提供了一种直观有效的方法,用于结构化放射治疗数据,用于自动验证.
- 热图表示与深度学习相结合,为检测错误和提高辐射瘤学安全提供了有希望的方法.
- 这一策略可以显著降低因治疗计划数据错误造成的患者伤害的风险.
