一个TPS集成的机器学习工具,用于预测体积调制弧线疗法中患者特定的质量保证结果
Caroline Noblet1, Mathis Maunet1, Marie Duthy1
1Department of Medical Physics, Clinique Mutualiste de l'Estuaire, Cité Sanitaire, Saint-Nazaire, France.
概括
机器学习模型可以优化患者特定质量保证 (PSQA) 工作负载. 将预测模型集成到治疗计划系统 (TPS) 中,减少了PSQA失败,每年节省约140小时.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习应用 机器学习应用
背景情况:
- 患者特异性质量保证 (PSQA) 对于放射治疗至关重要.
- 目前使用机器学习 (ML) 的PSQA优化通常需要外部工具,从而阻碍了临床工作流的效率.
- 将ML模型直接集成到治疗计划系统 (TPS) 中可以简化PSQA流程.
研究的目的:
- 开发和整合基于机器学习 (ML) 的预测模型,直接将患者特异性质量保证 (PSQA) 结果集成到治疗计划系统 (TPS) 中.
- 评估ML引导的再优化对PSQA结果和剂量测量质量的影响.
- 评估临床PSQA工作量减轻的潜力.
主要方法:
- 在一个数据集上使用交叉验证评估了9个ML算法,其中包括1767个VMAT弧度,复杂度指标和二元化PSQA结果.
- 使用C#脚本将所选的ML模型集成到TPS中.
- 对十个VMAT计划进行了脚本引导的再优化评估,分析了PSQA结果,剂量测量结果和工作负载.
主要成果:
- 选择的ML模型实现了0.88的AUROC,灵敏度超过50%,特异性超过90%.
- 脚本引导的再优化使PSQA的结果平均提高了1.4 ± 0.9个百分点,而不会影响剂量分配质量.
- 据估计,每年工作量节省约140小时.
结论:
- 集成脚本是提高PSQA测量和结果的宝贵工具.
- 基于ML的方法有效地降低了PSQA失败的风险,最大限度地减少了重新规划和重新测量的需要.
- 这种整合简化了临床工作流程,导致PSQA的工作量大幅减少.
