《Frontiers in Oncology》：Research on real-time detection of radiotherapy setup errors and intelligent quality control methods based on artificial intelligence and big data
编辑推荐：
本研究提出基于无监督机器学习（Isolation Forest）的六维（6D）放疗摆位误差实时预警框架，通过分析7,539例锥形束CT（CBCT）数据验证其在多部位、多固定方式下的异常检测效能（ROC-AUC达0.960），为临床质控（QA）提供闭环智能监测新范式。
研究背景与目标
随着精准放疗技术的发展，摆位误差管理成为确保治疗安全与剂量准确性的关键环节。当前临床实践中，图像引导放疗（IGRT）和锥形束CT（CBCT）虽能通过定期校正提升定位精度，但频繁成像会增加患者辐射暴露与临床工作负担。传统质控方法依赖人工经验或固定阈值，存在主观性强、实时性不足的局限。本研究旨在开发一种基于无监督机器学习的六维摆位误差实时预警方法，通过大样本临床数据评估其跨固定方式和治疗部位的鲁棒性。
材料与方法
研究纳入2022年5月至2025年3月期间采集的7,539组CBCT六维摆位误差数据，覆盖头颈、胸部和腹部等治疗部位。数据预处理包括Z-score标准化及基于3σ准则的异常样本构建。核心模型采用隔离森林（IF），并以局部异常因子（LOF）作为对比。性能评估指标包括ROC曲线下面积（ROC-AUC）、PR曲线下面积（PR-AUC）及固定假阳性率（FPR≈5%）下的敏感度。通过分层分析（固定方式、治疗部位）、主成分分析（PCA）和Spearman相关性探索模型可解释性，并开展纵向稳定性评估。
结果分析
整体性能显示，IF模型显著优于LOF（ROC-AUC: 0.960 vs. 0.880）。在固定方式分层中，除少数小样本亚组外，多数固定装置（如SRT双面膜、颈胸膜联合真空垫）的AUC≥0.92，接近理想性能。治疗部位分析表明，头颈部患者检测效能最高（AUC=0.973），胸部和腹部分别为0.954和0.946。可解释性分析揭示前-后（AP）、俯仰角（Pitch）和左-右（LR）方向对异常检测贡献最大，PCA显示异常样本在降维空间中呈边缘分布。纵向评估中，模型性能随时间保持稳定，未出现显著漂移。
讨论与创新
本研究首次将无监督学习引入放疗质控领域，突破传统阈值方法的局限。IF模型在低假阳性率下仍保持较高召回率（0.52）与精确度（0.71），优于基于3σ规则的传统方法（ROC-AUC提升约0.21）。固定方式与治疗部位的分层结果验证了框架的临床泛化能力。通过PCA与特征重要性分析，明确了摆位误差中旋转分量（如Pitch）的检测敏感性，为临床操作提供量化依据。研究创新点包括：提出“摆位-监测-预警”闭环质控框架、多维度验证模型鲁棒性、引入纵向漂移监测机制。
局限与展望
本研究异常定义基于统计阈值而非真实临床事件，未来需结合剂量学验证进行标签优化。数据来源于单一中心的VitalBeam加速器系统，其结论在跨中心推广时需谨慎。后续研究可探索自编码器、图神经网络等先进模型，并整合表面引导放疗（SGRT）等多模态数据，推动智能质控系统向临床落地。
结论
基于大样本六维摆位误差数据，无监督学习框架可有效识别统计异常模式，且在不同临床场景下保持稳定性能。该技术为放疗质控的实时化、智能化提供了可行路径，未来结合自适应放疗（ART）技术有望进一步提升治疗精准度与安全性。
