直线加速器日常质量保证中的多变量统计过程控制：早期检测与诊断框架

《MEDICAL PHYSICS》：Multivariate statistical process control for daily linear accelerator quality assurance: A framework for early detection and diagnosis

　　

背景：统计过程控制(Statistical Process Control, SPC)在放疗质量保证(Quality Assurance, QA)中日益受到关注，尤其继美国医学物理学家协会(American Association of Physicists in Medicine, AAPM) Task Group(TG)-218报告发布后。然而SPC在临床仍主要使用单变量图如Shewhart图和指数加权移动平均(Exponentially Weighted Moving Average, EWMA)图，尽管多数直线加速器(linac) QA参数（剂量、对称性及平坦度）相互关联且可能共同漂移。独立监测各参数增加了工作负担并忽视协方差结构，可能降低对新发故障的敏感性，导致假报警与漏检。多变量统计过程控制(Multivariate Statistical Process Control, MSPC)技术如Hotelling's T2和多元EWMA(Multivariate EWMA, MEWMA)可解决上述局限，但在临床实践中应用不足。目的：本研究旨在(1)提供在直线加速器机器QA中实施T2和MEWMA控制图的清晰实用框架；(2)比较其与标准单变量Shewhart和EWMA控制图的检测性能；(3)演示变量水平贡献度分析对失控(Out-of-Control, OC)条件根因诊断的附加价值。方法：使用Daily QA3装置在TrueBeam STx加速器上收集168天日常QA测量值，获得四个剂量学射束参数：剂量偏差、平坦度、轴向对称性和横向对称性。按标准SPC方法构建单变量（I图、EWMA）和多变量（T2、MEWMA）控制图。第一阶段(Phase I)数据（90个观测值）使用KPSS、ADF、Ljung–Box、Shapiro–Wilk及多种多元正态性检验验证平稳性、独立性和正态性。T2和MEWMA的上控制限分别源自F分布理论和χ2近似。基于Cholesky分解的贡献度分析用于量化各变量对多元报警的责任。检测性能通过三个真实临床事件评估：突发剂量异常、对称性/平坦度渐进漂移及突发监测电离室失效。结果：单变量图检测到主要偏差但需监测八张独立图表，增加认知与操作负担。T2和MEWMA图均检测到单变量图识别的所有临床相关事件且通常更早。MEWMA图比单变量EWMA早两个测量点检测到横向对称性劣化的起始，并识别出尚未单独失控的跨变量协调偏差。T2对突发偏移特别有效，在不降低灵敏度前提下整合为单一多元框架。贡献度分析一致识别出驱动各OC信号的变量，提供明确诊断依据。多元监测还揭示事件2与事件3间过程未回归受控状态，此发现±2%规范限或单变量图均未显现，说明解释QA数据时考虑协方差的重要性。结论：Hotelling's T2和MEWMA控制图通过整合射束参数间协方差结构并降低多单变量图固有的族wise假报警率，增强了直线加速器QA中偏差的早期检测。其应用简化工作流程，通过贡献度分析提高诊断清晰度，并对渐进故障提供更早预警。MSPC代表了对当前放疗QA实践具临床价值和运行效率的扩展，尤其当QA数据集日趋多维时。

论文解读——《Multivariate statistical process control for daily linear accelerator quality assurance: A framework for early detection and diagnosis》（发表于Medical Physics）

研究背景与立项依据

自AAPM TG-218推荐将统计过程控制（Statistical Process Control, SPC）用于调强放疗（IMRT）测量型QA以来，SPC在放疗QA中的应用逐步增多。但目前临床仍普遍采用单变量（univariate）Shewhart个体控制图（I-chart）和指数加权移动平均（Exponentially Weighted Moving Average, EWMA）图分别监控剂量（dose）、平坦度（flatness）、轴向对称性（axial symmetry）及横向对称性（transverse symmetry）等直线加速器（linear accelerator, linac）日常QA参数。由于各剂量学射束参数间存在相关性且可能协同漂移，独立监控不仅增加阅图负担，还因忽略协方差结构（covariance structure）可能导致假阳性或漏检微小渐进偏移。多变量统计过程控制（Multivariate Statistical Process Control, MSPC）中的Hotelling's T²控制图（多元Shewhart类比）和多元EWMA（Multivariate EWMA, MEWMA）控制图可综合多变量信息并考量相关性，但此前尚无研究将其系统应用于日常linac恒定性监测。因此研究人员开展本研究，旨在提供MSPC在linac QA中的实用实施框架，比较其与传统单变量SPC的检测性能，并通过变量水平贡献度分析（contribution analysis）实现失控根因诊断。

主要关键技术方法

研究人员回顾性收集某中心一台Varian TrueBeam STx直线加速器配Daily QA? 3二维探测器阵列，于168个连续工作日测得的四项剂量学参数——剂量偏差（Dose）、射束平坦度（Qa_Flat）、轴向对称性（Ax_Sym）及横向对称性（Tr_Sym），均以厂家标定基线值的百分比偏差表示，厂家规范限（specification limit）为±2%。按标准SPC流程分为两阶段：Phase I初取103个历史观测值，经迭代剔除法排除超限特殊原因点后得到n=90的稳定受控参考样本，并用KPSS（Kwiatkowski–Phillips–Schmidt–Shin）、ADF（Augmented Dickey–Fuller）检验平稳性，Ljung–Box检验自相关，Shapiro–Wilk检验单变量正态性，Henze–Zirkler等多法检验多元正态性；据此估计均值向量x?与协方差矩阵S并计算控制限——单变量I图UCL/LCL=x?±3·s（s由平均移动极差MR?估算，s=MR?/d₂，d₂=1.128），EWMA（λ=0.2，L=3）按递推公式Z_i=λ·x_i+(1?λ)·Z_i?1构建；多元Hotelling's T²统计量T²_i=(x_i?x?)^TS^?1(x_i?x?)，上控制限（UCL）取F分布理论值UCL=(p(n?1)/(n?p))·F_α;p,n?p（p=4，α=0.0027）；MEWMA平滑向量e_i=Λ·x_i+(I?Λ)·e_i?1（Λ=λ·I，λ=0.2），监测统计量MEWMA_i=e_i^TΣ_e^?1e_i，UCL取χ²_0.9973;p近似。失控信号诊断采用基于协方差矩阵Cholesky分解（S=L·L^T）的贡献度分析法，将去相关标准化向量z=L^?1(x_i?x?)各分量平方值作为各变量对T²或MEWMA统计量的绝对贡献并换算为百分比。Phase II对剩余78个新观测值进行前瞻性监测，对照三次已知临床异常事件（剂量验证异常、对称性/平坦度渐进漂移、监测电离室突发失效）评估检测表现。全部计算在R语言中使用qcc、MSQC等程序包完成。

研究结果

3.1 控制图构建（Construction of the control charts）

Phase I经剔除13个边缘超限点后获90个受控样本。平稳性与无自相关假设基本满足（Ax_Sym的ADF检验p=0.20略偏离平稳但可接受；Tr_Sym的Ljung–Box p=0.03为边缘自相关但ACF/PACF无明显结构），单变量与多元正态性均未拒绝（所有p>0.34）。单变量I图控制限分别为Dose ±0.58%、Ax_Sym ±0.19%、Tr_Sym ±0.45%、Qa_Flat ±0.14%，远窄于±2%规范限。多元T²图UCL=18.5，MEWMA图UCL=16.3。Phase II全周期单变量图总报警59次，多元图60次，两者相当。

3.2 检测与诊断（Detection and diagnostic）

仅依靠Daily QA3原始值±2%规范限仅能检出事件2（横向对称性越限），而SPC控制图均可检出三类事件。单变量I图在事件1（观测96，剂量+1.3%突变）检出；EWMA图在事件2中于观测127（横向对称性）和133（平坦度）提前警示渐进漂移（较干预日观测138早11天和5天）；事件3前多个单变量图陆续失控。多元T²与MEWMA图同样检出全部事件且不逊于单变量灵敏度：MEWMA图在观测125（早于单变量EWMA两个测量点）即对事件2发出失控信号，贡献度显示横向对称性约46%、平坦度约51%共同驱动；T²图在观测131检出事件2（横向对称性贡献94%）。事件1的T²与MEWMA贡献度分析均显示剂量偏差占97%/92%，明确根因为剂量异常。事件3监测电离室失效时多变量贡献度与各单变量失控变量一致（剂量与轴向对称性为主）。Cholesky贡献度主导变量在不同变量排序下保持一致。多元监测还发现事件2修正后至事件3发生前过程未真正回归受控态，此为单变量图和规范限所未见。

讨论与结论翻译

讨论指出，单变量SPC较规范限监测更主动且已被证实有效，但多变量T²与MEWMA将多参数整合为单一图表降低了日常审查负担，且通过纳入变量间相关性维持或提升检测灵敏度，配合Cholesky分解贡献度分析可直接定位驱动变量。本研究受限于单台设备、单一能量、单一QA装置及少量异常事件，属方法学案例演示而非大样本效能比对，推广需多中心验证。Phase I异常点剔除为建立稳健基线的标准操作；若存在显著自相关或非正态需用ARIMA残差图或Box–Cox变换预处理。MEWMA控制限采用保守χ²近似可行；Cholesky贡献度主次顺序对变量排列不敏感，适合作为一线诊断工具。

结论（Conclusion）：Hotelling's T²与MEWMA控制图为监测相关linac QA指标提供了基于原理的框架，通过显式考量变量间协方差结构补充标准单变量方法。本研究基于单台linac、单一日常QA装置、四项剂量学变量及三起异常事件，主要作为放疗QA中多元SPC方法学演示。结果突显了此类方法在集成监测、早期协同变化检测、复杂QA过程可解释性提升方面的实用价值与附加效益，并能支持AAPM TG-218所推荐基于SPC的QA项目，因而值得进一步多机构研究验证。