多种细分优先网络,用于不确定性告知患者特异性质量保证

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:

• 在放射治疗中,自动化患者特异性质量保证 (PSQA) 对安全性和资源效率至关重要.
• 目前的PSQA深度学习模型缺乏不确定性量化,限制了临床信任.
• 预测剂量差异指标,如马传递率 (GPR) 和剂量差异预测 (DDP),对于治疗验证至关重要.

研究的目的:

• 为基于深度学习的PSQA开发一个多颗粒度不确定性量化 (MGUQ) 框架.
• 将不确定性量化整合到多任务PSQA中,特别是用于GPR和DDP预测.
• 提高辐射治疗质量保证中的深度学习的可靠性和临床适用性.

主要方法:

• 提出了贝叶斯框架 (MGUQ) 用于量化PSQA多个细粒度的不确定性.
• 开发了一个多颗粒度损失函数,包含颗粒度特异和连贯性损失组件.
• 引入多颗粒度优先网络,用于推断DDP (t分布) 和GPR (高斯分布) 的双流架构.

主要成果:

• 实现了0.864的最小平均绝对误差 (MAE) 损失,GPR预测的标准为2%/3毫米.
• 证明了剂量差异的不确定性可视化.
• 实现了100%的临床准确性 (CA),工作量减少了67.2%.

结论:

• MGUQ框架有效量化了基于深度学习的PSQA中的不确定性.
• 拟议的方法提高了AI在放射治疗质量保证中的可靠性.
• 这种方法提高了自动化PSQA系统的安全性,有效性和临床采用.