%0 Journal Article
%T Model Analytics辅助的智能放疗计划建模
%A 岳海振2
%A 弓健2
%A 张艺宝2
%A 李莎2
%A 3
%A 王美娇1
%A 2
%A 郭文1
%A 项小羽2
%J 中国医学物理学杂志
%D 2017
%R DOI:10.3969/j.issn.1005-202X.2017.09.002
%X 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
%K 智能计划
%K RapidPlan
%K Model Analytics
%K 机器学习
%K 建模
%U http://zgyxwlxzz.paperopen.com/oa/darticle.aspx?type=view&id=201704031