深度学习预测模型的可行性研究,用于VMAT患者特定的QA
Junjie Miao1, Yuan Xu1, Kuo Men1
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 oncology
|April 10, 2025
概括
一个新的深度学习模型准确地预测了VMAT患者特定QA的马通过率. 这种人工智能工具提高了辐射治疗中的质量保证效率和准确性.
科学领域:
- 医学物理 医学物理
- 辐射疗法质量保证 辐射疗法质量保证
- 医疗保健中的人工智能
背景情况:
- 患者特异性质量保证 (QA) 对于验证VMAT中辐射剂量输送的准确性至关重要.
- 当前的质量保证方法可能耗时且资源密集.
- 准确预测质量保证指标可以简化放射治疗工作流程.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于预测VMAT患者特定QA中的马通过率 (GPR).
- 利用来自治疗计划系统 (TPS) 和蒙特卡洛 (MC) 模拟的剂量数据来提高预测准确性.
- 提高VMAT质量保证程序的效率和可靠性.
主要方法:
- 利用了710个临床VMAT计划的数据,用ArcCHECK幻影测量.
- 在ArcCHECK幻影图像上使用Pinnacle TPS和MC算法重新计算剂量.
- 采用四层卷积神经网络 (CNN) 进行GPR预测,通过错误指标和ROC曲线评估性能.
主要成果:
- DL模型在各种马标准上实现了GPR预测的低平均绝对误差 (MAE) (例如,1.1%对3%/3mm).
- 在预测和测量的GPR之间观察到高相关系数 (高达0.72).
- 在不同玛标准下,曲线下的面积 (AUC) 值达到0.93,这表明了优异的分类性能.
结论:
- 开发的基于DL的方法显示了提高VMAT患者特定质量保证效率和准确性的巨大潜力.
- 这种方法可以作为一个有价值的工具来减少与患者特异性质量保证相关的工作量.
- 该研究强调了将TPS和MC剂量数据与DL集成为高级放射治疗QA的实用性.
