一个基于StarGAN和变压器的混合分类回归模型,用于多机构VMAT患者特定质量保证

科学领域:

• 医学物理 医学物理
• 医疗保健中的人工智能
• 辐射疗法质量保证 辐射疗法质量保证

背景情况:

• 由于多机构数据异质性,在体积调制弧线疗法 (VMAT) 中开发针对患者特异性质量保证 (PSQA) 的通用AI模型具有挑战性.
• 统一的方法对于VMAT PSQA中的大规模数据集成和分析至关重要.

研究的目的:

• 为VMAT PSQA开发一个恒星生成对抗网络 (StarGAN) 和基于变压器的混合分类回归框架.
• 统一来自多个机构的异质数据,以提高模型的概括性.

主要方法:

• 为VMAT PSQA开发了一种混合StarGAN和变压器模型,预测马传递率 (GPR) 和分类QA结果.
• 该框架使用8个机构的1815个VMAT计划进行了培训和验证.
• 临床调试和实施是在独立的数据集上进行的.

主要成果:

• 该框架在不同的玛标准中实现了VMAT QA的高灵敏度 (高达95.84%) 和可接受的特异性 (高达85.34%).
• 平均绝对误差很低 (例如,3%/3毫米标准的1.36%),表明准确性.
• 临床验证显示偏差在3%以内,并正确识别了所有故障计划.

结论:

• 开发的一般PSQA框架有效地统一异构数据,提高模型性能和通用性.
• 这种方法为构建跨机构的VMAT质量保证模型提供了一个强大的解决方案.
• 该框架适用于VMAT QA.中的临床部署.