基于复杂性的无监督机器学习,用于患者特定的VMAT质量保证
Savino Cilla1, Carmela Romano1, Pietro Viola1
1Medical Physics Unit, Responsible Research Hospital, Campobasso, Italy.
Medical physics
|August 24, 2025
概括
无监督机器学习在放射治疗计划的复杂性中确定了三个不同的集群,有助于预测患者特定的质量保证结果并提高治疗效率. 这种方法有助于优化放射治疗的规划和验证过程.
科学领域:
- 医学物理
- 放射治疗技术
- 在医疗保健中的机器学习
背景情况:
- 患者特异性质量保证 (PSQA) 对于安全,准确的放射治疗至关重要.
- 越来越多地使用强度调节技术需要提高PSQA的运营效率.
- 机器学习 (ML) 对预测PSQA结果充满希望,但分析计划复杂性的无监督方法尚未得到充分探索.
研究的目的:
- 探索无监督的ML方法来识别PSQA数据中的模式和分组.
- 使用聚类算法分析放射治疗计划的复杂性.
- 研究计划复杂度指标与PSQA结果之间的关系.
主要方法:
- 对来自660名患者的1329个VMAT治疗前验证数据集的分析.
- 使用的调制复杂度得分 (MCS) 和动态日志文件.
- 应用了三个无监督的集群算法:聚合层次集群 (AHC),K-means (KM) 和高斯混合模型 (GMM).
- 在外部队列中使用监督模型验证集群分配.
主要成果:
- 基于轮分数和树状图,集群分析始终确定了三个最佳集群.
- 集群1 (过度调节的计划) 显示了较低的马通过率 (76.7%) 和较高的MCS (0.112).
- 集群3 (最佳计划) 显示了更高的马通过率 (92. 9%) 和更低的MCS (0. 359),这表明有可能跳过预处理验证.
- 在过度调节的集群中,头病例表现出更高的复杂性和分类率.
结论:
- 无监督的集群有效地揭示了剂量计质量保证的VMAT计划复杂性的隐藏模式.
- 数据支持基于计划复杂性的三组分类方案.
- 调节复杂度评分 (MCS) 是PSQA结果的强有力的预测指标.
