实时检测放射治疗设置错误和基于人工智能和大数据的智能质量控制方法的研究
Weixiang Lin1, Chengjian Xiao1, Liangjie Xiao2
1Department of Radiation Oncology, Ganzhou Cancer Hospital, Ganzhou, China.
Frontiers in oncology
|February 23, 2026
概括
这项研究开发了一种无监督的机器学习方法,以几乎实时地检测异常的六维 (6D) 放射治疗设置错误. 该方法提供了一个强大的质量保证工具,用于提高放射治疗期间的患者安全.
科学领域:
- 医学物理 医学物理
- 医疗保健中的机器学习
- 辐射疗法质量保证 辐射疗法质量保证
背景情况:
- 准确的患者定位对于有效的放射治疗至关重要.
- 目前用于检测设置错误的方法可能无法及时发出警报.
- 开发用于实时错误检测的自动化系统对于质量保证至关重要.
研究的目的:
- 开发和验证一个无监督的机器学习 (ML) 模型,用于近乎实时检测统计学上异常的六维 (6D) 放射治疗设置错误.
- 评估ML方法在各种固定化技术和治疗场所的稳定性.
- 建立一个"设置监控警报"框架,以加强放射治疗质量保证.
主要方法:
- 分析了 7,539 个基于 CBCT 的 6D 设置错误记录.
- 开发和比较两个无监督的ML模型:隔离森林 (IF) 和局部异常因素 (LOF).
- 使用ROC-AUC,PR-AUC和灵敏度在固定的假阳性率 (FPR ≈5%) 的性能评估,并根据固定化方法和治疗地点对子组进行分析.
主要成果:
- 与LOF (ROC-AUC = 0.880) 相比,隔离森林 (IF) 模型显示出更高的性能 (ROC-AUC = 0.960).
- 在大多数固定方法中实现了高性能 (AUC ≥ 0.92),特定的面具组合显示了近乎理想的结果.
- 解释性分析确定了AP,Pitch和LR方向是检测异常的关键贡献者,随着时间的推移性能稳定.
结论:
- 无监督学习对于识别统计学上不寻常的放射治疗设置模式是可行的.
- 可以实施一个闭环的"设置监控警报"框架来支持临床工作流程.
- 这种基于ML的方法作为辅助警报工具,补充剂量测量评估和临床决策.
