深度学习用于体积调制弧线疗法的患者特异性质量保证:预测准确性和成本敏感性分类性能

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 医疗保健中的人工智能

背景情况:

• 患者特异性质量保证 (PSQA) 对于确保放射治疗治疗的准确性和安全性至关重要.
• 卷度调节弧线疗法 (VMAT) 是一种复杂的放射疗法技术,需要严格的质量保证.
• 当前的PSQA工作流程可能耗时且劳动密集,需要更高效的方法.

研究的目的:

• 评估深度学习模型3D-MResNet在预测和分类PSQA结果中的性能.
• 评估这种人工智能模型在简化PSQA工作流程和减少对广泛现场测量的需求方面的潜力.

主要方法:

• 通过使用3D-MResNet模型分析了761个VMAT计划,处理了多层聚合器图像和监控单元数据.
• 使用玛传导率 (GPR) 作为主要输出度量.
• 建立了预测和测量的GPR (Th-p,Th-m) 的值,并使用成本曲线来评估分类性能.

主要成果:

• 3D-MResNet模型在GPR预测中显示了较低的平均绝对误差 (1.63%在3%/2mm,2.38%在2%/2mm).
• 通过特定的门 (Th-p为91.2%在2%/2mm,96.4%在3%/2mm) 实现了成本敏感的最佳错误率.
• 2%/2毫米分类器实现了高灵敏度 (100%) 和特异性 (83.5%),预计总成本较低.

结论:

• 3D-MResNet深度学习模型准确地预测和分类VMAT PSQA的结果.
• 在PSQA工作流中实施这种AI模型为提高VMAT交付效率和减少工作负载提供了显著的潜力.