基于深度学习的强大患者特定质量保证预测模型,用于新型双层MLC linac linac
Qizhen Zhu1, Xiaoyang Zeng2, Zhiqun Wang1
1Department of Radiation Oncology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Journal of applied clinical medical physics
|October 11, 2025
概括
这项研究表明,一种新的深度学习模型,ALDS-ResNet,可以准确预测放射治疗的患者特定质量保证结果. 它可以更好地识别需要审查的治疗计划,提高患者的安全性.
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) 对于安全有效的放射治疗至关重要.
- 在先进的线性加速器 (linacs) 上使用固定场强度调制辐射疗法 (FF-IMRT) 为PSQA带来了独特的挑战.
- 准确预测PSQA结果对于及时识别可能失败的治疗计划至关重要.
研究的目的:
- 评估深度学习模型的可行性,以便在FF-IMRT中对具有双层MLC的Halcyon linacs进行可靠的PSQA结果预测.
- 为了提高PSQA预测的准确性和稳定性,使用Shuffle Attention (SA) 和深度失衡回归.
- 为了确保可靠的预测,尽管极端不平衡的马通过率 (GPR) 数据.
主要方法:
- 开发了一个ALDS-ResNet模型,将ResNet与SA和标签分发平滑 (LDS) 集成在一起.
- 通过使用来自214个FF-IMRT计划和1394个光束方向的数据来训练和验证模型.
- 利用流利地图作为深度学习模型的输入.
主要成果:
- 与标准ResNet相比,ALDS-ResNet在各种玛标准 (例如1%/1毫米,2/2毫米,3/3毫米) 中显示出明显较低的平均绝对误差 (MAE).
- 该模型在具有低GPR值 (GPR <85) 的复杂计划上显示出更好的性能.
- 与ResNet相比,ALDS-ResNet在2%/2毫米和3%/3毫米的马标准上实现了更高的皮尔森相关系数 (CC).
结论:
- 深度学习模型,特别是ALDS-ResNet,显示出在双层MLC中预测GPR值的巨大潜力.
- 注意力机制 (SA) 和LDS的整合显著提高了PSQA预测的准确性和稳定性.
- ALDS-ResNet模型可以作为物理学家在识别PSQA故障计划,改善临床工作流程的有价值的辅助工具.