基于机器学习的放射性手术计划的特定患者质量保证时间序列方法
Simone Buzzi1,2, Pietro Mancosu1,3, Andrea Bresolin1
1Radiotherapy and Radiosurgery Department, IRCCS Humanitas Research Hospital, Via Manzoni 56, Rozzano, 20089 Milan, Italy.
Bioengineering (Basel, Switzerland)
|August 28, 2025
概括
机器学习可以准确预测立体射线手术 (SRS) 的质量保证结果,减少失败. 这种人工智能工具提高了复杂的SRS计划的患者特定质量保证 (PSQA) 的效率.
科学领域:
- 医学物理
- 辐射瘤学
- 机器学习
背景情况:
- 多重脑转移的立体射线手术 (SRS) 提供了合规剂量分布.
- SRS计划需要极端的机器参数调节,增加患者特定质量保证 (PSQA) 失败的风险.
研究的目的:
- 开发一个机器学习 (ML) 模型来预测SRS计划的PSQA结果 (gamma通过率,GPR).
- 提高PSQA在SRS治疗中的效率和可靠性.
主要方法:
- 利用了2020年至2024年期间治疗的592名患者的数据.
- 提取了15个计划复杂度指标作为输入特征.
- 使用分层和时间序列数据进行培训,验证和测试ML模型.
主要成果:
- 在试验组中,ML模型的平均绝对误差为2.6%.
- 在预测GPR方面表现出高灵敏度 (93%) 和特异性 (56%).
- 发现了较低的GPR值的高估趋势.
结论:
- 可以有效地将ML模型纳入临床实践,以实现SRS的虚拟质量保证.
- 这种方法有助于制定更有效,更有针对性的PSQA战略.
- 提高SRS治疗大脑转移的安全性和有效性.
