机器学习和深度学习预测乳腺IMRT放射治疗计划的患者特异性质量保证,使用Halcyon特异性复杂性指数
Christine Boutry1, Noémie N Moreau2, Cyril Jaudet1
1Medical Physics Department, Centre François Baclesse, 14000 Caen, France.
概括
人工智能 (AI) 现在可以预测Halcyon机器的放射治疗质量保证 (QA) 结果. 深度学习 (DL) 模型准确预测质量保证合规性,节省大量时间.
科学领域:
- 医学物理 医学物理
- 放射治疗技术 放射治疗技术
- 医疗保健中的人工智能
背景情况:
- 哈尔辐射疗法机器提供高剂量速率,增加患者的吞吐量.
- 患者特定的质量保证 (QA) 是一个瓶,减少了机器的可用性.
- 人工智能有可能预测质量保证结果,但对于Halcyon和相关复杂度指标的解决方案缺乏.
研究的目的:
- 为Halcyon机器开发一个AI解决方案.
- 确定用于预测质量保证的关键复杂性指数.
- 在临床环境中预测患者特定的QA.
主要方法:
- 利用来自56名乳腺癌患者的318个光束.
- 输入特征包括七个复杂度指数:调制复杂度得分 (MCS),小孔径得分 (SAS10),光束面积 (BA),光束不规则性 (BI),光束调制 (BM) 和门架/聚合器角度.
- 使用TensorFlow开发并比较机器学习 (ML) 和深度学习 (DL) 模型,以预测QA符合性.
主要成果:
- MCS,BI,门架和聚合器角度与质量保证合规性没有相关性.
- ML模型实现了曲线下的面积 (AUC) 为0.75.
- 优化的DL模型表现出优异的性能,AUC为0.95,特异性为0.98,灵敏度为0.97.
结论:
- 开发的DL模型准确地预测了Halcyon机器的放射治疗QA结果.
- 使用DL的在线预测质量保证平台可以显著减少加速器占用量和员工工作时间.
- 这种人工智能解决方案提高了放射治疗临床工作流程的效率.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
08:25Radiation Planning Assistant - A Streamlined, Fully Automated Radiotherapy Treatment Planning System
Published on: April 11, 2018
15.3K
