基于计划复杂性的机器学习模型使用强度调节放射治疗的剂量计验证中,对玛射线通过率的预测研究
Shizhen Bin1, Ji Zhang1, Luyao Shen2
1Radiotherapy Center, Third Xiangya Hospital of Central South University, Changsha, China.
Frontiers in oncology
|August 7, 2023
概括
随机森林 (RF) 模型准确地预测了强度调制放射治疗 (IMRT) 质量保证中的马传递率 (GPR). 这种机器学习方法提高了放射治疗规划和验证的效率.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 剂量计验证对于强度调节放射治疗 (IMRT) 的安全性至关重要.
- 预测马通过率 (GPR) 可以简化质量保证 (QA).
- 机器学习为预测IMRT计划复杂性和GPR提供了潜力.
研究的目的:
- 使用机器学习模型预测IMRT中的马通过率 (GPR).
- 根据计划的复杂性,确定最佳的机器学习算法用于基于GPR预测.
- 为了比较人工神经网络 (ANN),支持矢量机 (SVM) 和随机森林 (RF) 模型的性能.
主要方法:
- 对269个IMRT计划和2340个字段进行了回顾性分析.
- 21个计划复杂性特征的提取和计算.
- 使用十倍交叉验证,训练和优化六个机器学习模型 (对ANN,SVM,RF的回归和分类).
主要成果:
- 随机森林 (RF) 模型展示了优越的GPR预测性能.
- 射频实现了平均绝对误差 (MAE) 的1.81%和相关系数 (CC) 的0.72.
- 同时,RF在分类模型中表现最好,AUC为0.80.
结论:
- 在IMRT中,ANN,SVM和RF模型可以预测和分类GPR.
- 射频模型利用计划的复杂性,提供最佳的预测性能.
- 这种方法可以显著提高放射治疗质量控制的效率.
