Model Analytics辅助的智能放疗计划建模

• 作者: 岳海振 弓健 张艺宝 李莎 王美娇 郭文 项小羽
• 来源期刊: 中国医学物理学杂志
• 关键词: 智能计划 RapidPlan Model Analytics 机器学习 建模
• 年，卷（期）: 2017,（9）
• 所属期刊栏目: 医学放射物理
• 页码范围: 870-873
• 页数: 4页
• 分类号: R730.55
• 语种: 中文
• DOI: 10.3969/j.issn.1005-202X.2017.09.002

摘要

目的:利用瓦里安公司开发的Model Analytics(MA)工具减少人工处理RapidPlan模型离群值的繁琐和主观因素导致模型构成的不确定性,评估MA工具在效率、改善统计学参数及模型优化效果等方面的表现.方法:①选取81例优质计划导入RapidPlan系统并建立初始模型;②将初始模型上传MA进行自动分析统计,根据报告提示对离群值进行批量统计学确认,比较模型验证前后统计学指标的变化;③利用20例测试病例评估统计学确认前后RapidPlan模型的剂量学表现,并与原临床计划比较.结果:MA只需几分钟便可得到构成模型计划的几何学、剂量学等特征统计,5轮分析共找出8个股骨头剂量学离群值,分别高于各自预测范围上限的11.11％、5.88％、5.56％、5.56％、5.00％、5.26％、5.56％和5.88％,R2由0.32提高至0.45;仅用一轮分析便找出所有3个膀胱几何和剂量学离群值,其中几何离群值分别高于均值62.22％或低于均值55.35％,剂量学离群值高于预测范围上限3.33％,处理完离群值后,R2由0.35升至0.37.测试计划表明,RapidPlan计划质量显著优于人工计划(P＜0.05),使用验证前后的模型可分别降低股骨头剂量23.15％和27.55％,降低膀胱剂量8.14％和6.79％.结论:使用MA工具可快速获取模型构成计划的整体描述,并准确查找出模型中的离群值,从而提高智能放疗计划建模的效率,但统计学确认对模型的剂量学表现影响不大.