计划复杂度机器学习模型的多机构通用性,用于预测放射治疗中治疗前质量保证结果
Michaël Claessens1,2, Geert De Kerf1, Verdi Vanreusel1,2,3
1Department of Radiation Oncology, Iridium Netwerk, Wilrijk (Antwerp), Belgium.
Physics and imaging in radiation oncology
|January 11, 2024
概括
计划复杂度指标预测放射治疗治疗失败. 在一个机构内训练的模型在类似的质量保证平台和规划策略中显示出强度,但需要机器特定的开发来实现更广泛的应用.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 质量保证 质量保证 质量保证
背景情况:
- 放射治疗治疗计划需要严格的治疗前验证.
- 计划复杂度指标 (PCM) 为预测治疗计划质量提供了一种新的方法.
- 在不同机器类型和质量保证 (QA) 协议中评估预测模型的稳定性至关重要.
研究的目的:
- 开发使用PCM的预测模型来识别不可接受的放射疗法束.
- 为了评估模型的稳定性与机器类型和机构质量保证程序的变化.
主要方法:
- 16个PCM计算了567个光束 (477个通过,90个QA失败).
- 一个随机的森林分类器被训练来区分可接受和不可接受的梁.
- 模型验证在不同的机器类型上进行了机构内验证,并在三个中心进行了机构间验证.
主要成果:
- 在机构内部,像光束调制和调制复杂度得分这样的PCM有效地识别了故障光束 (83%的准确率).
- 该模型很难检测来自不同机器类型的过度调制束.
- 机构间验证显示,具有可比治疗和质量保证设备的中心的准确性更高.
结论:
- 随着质量保证平台或规划策略的显著差异,模型的稳定性会下降.
- 在具有相似临床实践的中心之间,对机构特定模型的推断是可行的.
- 应该为每个特定的机器类型开发放射治疗计划质量的预测模型.
