对内部开发的基于深度学习的自动规划工具进行主动风险分析,用于乳房体积调制弧线治疗
Liesbeth Vandewinckele1, Chahrazad Benazzouz2, Laurence Delombaerde1,2
1Department of Oncology, Laboratory of Experimental Radiotherapy, KU Leuven, Belgium.
Physics and imaging in radiation oncology
|January 6, 2025
概括
本研究展示了如何在放射治疗规划中识别和减轻深度学习模型的风险. 积极的风险分析和缓解策略确保了人工智能工具在放射性瘤学中的更安全的临床实施.
科学领域:
- 辐射疗法 辐射疗法
- 医学物理 医学物理
- 人工智能的人工智能
背景情况:
- 在放射治疗中越来越多地使用内部深度学习模型,需要进行风险评估.
- 人工智能工具的临床实施需要仔细考虑潜在风险.
研究的目的:
- 举例说明基于深度学习的计划工具的风险识别和缓解,用于乳房体积调制弧线疗法 (VMAT).
- 确保AI在放射治疗工作流程中的安全临床整合.
主要方法:
- 一个多学科团队进行了故障模式和效应分析 (FMEA).
- 深度学习模型被整合到临床治疗计划系统 (TPS) 工作流程中.
- 针对"不可接受"和"可容忍"故障模式,制定了风险减轻策略.
主要成果:
- 在整个工作流中确定了39种故障模式.
- 一个故障模式是"不可接受",五个是"可容忍".
- 缓解策略将故障模式减少到两种"可容忍"和零"不可接受"风险.
结论:
- 积极的风险分析对于识别AI驱动的放射治疗工作流程中的潜在问题至关重要.
- 实施的缓解策略显著降低了风险,提高了临床使用的安全性.
- 这种方法支持AI在辐射瘤学中的负责任整合.
