无监督机器学习模型用于检测肺癌患者异常体积调制弧治疗计划的异常体积调制弧治疗计划
Peng Huang1, Jiawen Shang1, Yuhan Fan1
1Department of Radiation Oncology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Frontiers in big data
|October 18, 2024
概括
一个新的多任务自动编码器 (AE) 自动化异常检测在体积调制弧线疗法 (VMAT) 放射治疗计划的肺癌. 这种人工智能方法比现有的质量保证方法更准确,更有效.
科学领域:
- 医学物理 医学物理
- 医疗保健中的人工智能
- 辐射疗法质量保证 辐射疗法质量保证
背景情况:
- 卷度调节弧线疗法 (VMAT) 是一种先进的放射疗法技术.
- 临床医生对当前VMAT计划的质量审查是耗时且容易出现错误的.
- 需要自动异常检测来提高效率和准确性.
研究的目的:
- 开发和评估多任务自动编码器 (AE) 用于在肺癌患者的VMAT计划中自动检测异常.
- 将拟议的多任务AE与其他AE模型的性能进行比较.
主要方法:
- 从VMAT计划中提取的特征地图.
- 训练了一种多任务AE模型,使用特征图来预测光束孔径和处方剂量.
- 建立了基于重建错误的检测值.
- 使用AUC,准确性,精度和F1得分等指标评估模型性能.
主要成果:
- 多任务AE模型实现了最高的曲线下面积 (AUC) 0.964.
- 获得了高精度 (0.821),精度 (0.471) 和F1得分 (0.632).
- 与瓦尼拉AE,合约AE和变异AE相比,表现出优异的性能.
结论:
- 拟议的多任务AE模型有效地检测肺癌VMAT放射治疗计划中的异常.
- 这种人工智能驱动的方法提供了一个更准确,更有效的替代手动计划审查.
- 提供了一种可行的方法,用于在放射治疗规划中自动检测异常.
