使用机器学习模型对舌癌病例的剂量-体积参数进行预测建模

科学领域:

• 医学物理 医学物理
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 准确的辐射剂量预测对于有效的强度调节放射治疗 (IMRT) 在舌癌中至关重要.
• 开发预测工具可以简化临床治疗规划过程.

研究的目的:

• 开发和验证单一机构的机器学习模型,用于预测术后舌癌患者的辐射剂量.
• 评估机器学习模型在预测剂量-体积参数方面的准确性,用于规划目标体积 (PTV) 和有风险的器官 (OAR).

主要方法:

• 20名舌癌患者的强度调节放射治疗 (IMRT) 计划使用Eclipse治疗计划系统生成.
• 在Jupyter笔记本中使用Python 3.10开发了一个机器学习模型,利用临床计划中的剂量计数据.
• 模型在10名和20名患者的数据集上进行了训练,并对10名新患者病例进行了验证.

主要成果:

• 机器学习模型,特别是在使用计划目标体积 (PTV) 数据时,在剂量预测方面表现出高准确性.
• 10和20数据集模型都预测了PTV剂量在3%的误差范围内,与治疗计划系统 (TPS) 值相比,风险器官 (OARs) 剂量在5%的误差范围内.
• 该模型有效地预测了PTVs和OARs约束的剂量学特征.

结论:

• 机器学习模型可以可靠地预测接受IMRT的舌头癌症患者的辐射剂量分布.
• 开发的模型增强了在放射治疗规划过程中对临床决策的信心.
• 这种工具在临床实践中对未来的剂量预测产生有希望.