Video Experimental Relacionado
Updated: Feb 24, 2026
Author Spotlight: A Machine-Vision Approach to Transmission Electron Microscopy Workflows, Results Analysis and Data Management
Published on: June 23, 2023
Modelo de tiempo de entrega de haz basado en aprendizaje automático para Mevion S250i con tecnología Hyperscan
Giorgio Cartechini1, Francesco Giuseppe Cordoni2, Mirko Unipan1
1Maastricht University Medical Centre+, Department of Radiation Oncology (Maastro), GROW School for Oncology and Reproduction, Doctor Tanslaan 12, Maastricht 6229 ET, The Netherlands.
Desarrollamos el primer modelo de aprendizaje automático para predecir el tiempo de entrega de haces en sistemas Mevion, crucial para la eficiencia de la terapia de protones. Este modelo captura con precisión la dinámica del sistema y ayuda en la planificación avanzada del tratamiento.
Área de la Ciencia:
- Física Médica; Aprendizaje Automático en Atención Médica; Terapia de Protones
Sus antecedentes:
- La predicción precisa del tiempo de entrega de haz (TDE) es vital para la eficiencia operativa de la terapia de protones, los cálculos de dosis 4D y las técnicas avanzadas. Actualmente, no existe un modelo de TDE específico para la máquina Mevion, lo que limita el potencial de optimización.
Objetivo del estudio:
- Desarrollar y validar el primer modelo de TDE basado en aprendizaje automático para el sistema Mevion S250i Hyperscan. Analizar las contribuciones de las características a la predicción de TDE utilizando IA explicable.
Principales métodos:
- Se desarrolló un modelo de Random Forest utilizando archivos de registro de la máquina institucional (11 pacientes, 1120 archivos). Se extrajeron características que incluyen la posición del punto, los cambios en la capa de energía, los movimientos del diafragma adaptativo (AA) y la carga del punto; el tiempo interpulso fue la variable objetivo. Se utilizó el análisis SHAP para cuantificar las contribuciones de las características y se validó el modelo en aplicaciones clínicas.
Principales resultados:
- El modelo logró errores absolutos medios de 0,9 ms (intervalos cortos) a 211 ms (retrasos largos). Los movimientos del AA fueron el predictor dominante para retrasos más largos (>50 ms), mientras que la posición del punto y la carga del pulso dominaron los intervalos cortos. El modelo predijo con precisión los tiempos de entrega acumulativos (-1,6% de desviación) y mantuvo las métricas dosimétricas dentro de la variabilidad de entrega.
Conclusiones:
- Presenta el primer modelo de TDE basado en ML para Mevion S250i, que refleja con precisión la dinámica temporal específica de la máquina. El análisis SHAP proporcionó información sobre las características operativas, destacando las contribuciones del AA, la capa de energía y la posición del punto. El modelo muestra un fuerte rendimiento predictivo para aplicaciones como la evaluación de la interrelación y el cálculo de dosis 4D.
