人工智能增强癌症放射治疗质量评估:利用每日Linac性能,放射学,剂量计和规划复杂性

科学领域:

• 医学物理 医学物理
• 医疗保健中的人工智能
• 辐射瘤学 辐射瘤学

背景情况:

• 患者特异性质量保证 (PSQA) 对体积调制弧线疗法 (VMAT) 的安全性和有效性至关重要.
• 传统的PSQA方法可能无法完全捕捉VMAT计划和日常机器性能的复杂性.
• 整合不同的数据源对于提高PSQA的预测准确性至关重要.

研究的目的:

• 开发和验证一个信息传递器 - 卷积神经网络 (CNN) 模型,用于预测VMAT中的马传递率 (GPR).
• 通过将患者特异性治疗计划数据与每日线性加速器 (linac) 绩效指标集成来增强PSQA.
• 为了提高VMAT的GPR预测的准确性和可靠性.

主要方法:

• 采用Informer-CNN混合架构来处理来自465个VMAT计划的时间和非时间数据.
• 数据包括31个复杂性指标,123个放射性特征,123个剂量指标和141个 linac 性能指标.
• 该模型接受了头部和部,胸部和腹部病例的治疗计划的培训和验证.

主要成果:

• 在GPR预测方面,Informer-CNN模型的表现优于传统模型 (CNN,LSTM,Informer).
• 在验证组中,该模型实现了0.0273的平均绝对误差 (MAE) 和0.0360的根平均平方误差 (RMSE) (3%/3mm标准).
• 观察到高分类性能,曲线下面积 (AUC) 评分为0.97 (测试) 和0.95 (验证).

结论:

• 开发的Informer-CNN模型显著提高了VMAT PSQA的GPR预测准确度.
• 早期整合每日加速器性能数据可以提高治疗计划的评估和验证.
• 这种人工智能驱动的方法通过强大的患者特定质量保证,有助于更安全,更有效地提供VMAT.