非测量和基于DVH的患者特定QA框架用于肺SBRTVMAT与机器学习集成的肺SBRTVMAT

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 医疗保健中的机器学习

背景情况:

• 传统的患者特异性质量保证 (PSQA) 依赖于耗时的物理测量.
• 预测玛传递率 (GPRs) 的现有机器学习 (ML) 模型由于与剂量体积图 (DVH) 参数的弱相关性而具有有限的临床实用性.
• 需要一个新的非测量和基于DVH (NMDB) 的PSQA框架.

研究的目的:

• 开发一个NMDB的PSQA框架,使用ML来识别可能存在交付错误的治疗计划.
• 提高PSQA在放射治疗中的效率和准确性.

主要方法:

• 分析了560个肺SBRT VMAT计划,使用轨迹日志文件来分类交付差异.
• 计算和预测MLC和门架位置的平均值和标准偏差 (STD) 值.
• 整合速度,重力和物理机器可变性的错误传播.
• 对于扰乱计划的剂量重新计算和DVH指标的比较.
• 使用DICOM计划和剂量特征对ML模型 (RF,SVM,ANN) 的训练和优化.
• 使用ROC AUC和AP分数对模型性能进行评估.

主要成果:

• 在道/MLC错误和速度/重力效应之间观察到高相关性.
• 虽然OAR DVH差异很小 (<1%),但PTV指标显示出显著的变化 (例如,V100%变化为3.2%).
• 在识别易受影响的计划中,ML模型实现了高分类性能 (ROC AUC 0.97,AP 0.90-0.91).

结论:

• 成功开发了一个新的NMDB PSQA框架,用于肺部SBRT VMAT计划.
• 该框架集成了DVH指标 (PTV F-score) 和ML,用于实时分类易受影响的计划.
• 消除物理测量可以实现在线适应性治疗和早期反,具有显著的临床潜力.