在强度调节放射治疗计划审查中应用深度生成模型

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 放射治疗计划的审查对于安全的剂量输送至关重要,但是手动和耗时的.
• 深度学习模型有助于计划审查,但它们的黑子性质阻碍了临床信任.
• 改进的模型解释性对于可靠的AI在放射治疗中的临床部署至关重要.

研究的目的:

• 开发一种可解释的深度生成模型,用于在强度调节放射治疗计划中自动检测异常.
• 采用对抗性自编码器网络 (AAE) 来加强放射治疗计划审查流程.

主要方法:

• 将收集的放射治疗计划参数 (聚合器位置,门架角度,监视器单元) 转化为特征向量.
• 训练了一个对抗式自编码器 (AAE) 模型来学习正常计划分布.
• 根据模型重建错误确定异常检测值.
• 使用AUC和其他统计指标对传统模型进行AAE性能评估.

主要成果:

• AAE模型实现了0.997的曲线下面积 (AUC),优于其他方法.
• 在检测异常放射治疗计划时,AAE表现出更高的准确性和更低的假阳性率.
• 与香草自动编码器 (AE) 和经典异常检测模型相比,AAE提供了更高的准确性和透明度.

结论:

• 敌对的自编码器网络 (AAE) 能够有效地检测肺癌放射治疗计划中的异常.
• AAE模型提高了可解释性,使其成为临床放射治疗计划审查的可靠工具.
• AAE为改善放射治疗计划质量保证提供了更准确,更透明的解决方案.