用基于放射学的机器学习与剂量分配来预测体积调制弧线疗法的患者特异性质量保证

科学领域:

• 医学物理 医学物理
• 放射治疗 物理 物理
• 医疗保健中的机器学习

背景情况:

• 患者特异性质量保证 (QA) 对于验证放射治疗计划的准确性至关重要.
• 卷度调制弧线疗法 (VMAT) 需要强大的质量保证方法来确保剂量递送的精度.
• 从3D剂量分布中提取的放射性特征为描述治疗计划提供了一种新的方法.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测患者特定的质量保证结果.
• 利用3D剂量分布的放射性特征来预测关键剂量评估指标.
• 评估ML模型在估计马通过率 (GPRs) 和其他质量保证标准中的性能.

主要方法:

• 从140个VMAT弧的幻影中从3D剂量分布中提取了4,250个放射性特征.
• 开发了弹性网 (EN) 和额外树 (ET) 回归模型来预测GPR,剂量差异 (DD) 和达成协议距离 (DTA).
• 采用嵌套交叉验证来进行特征选择和超参数调整,使用RMSE,MAE和Spearman等级相关系数评估模型.

主要成果:

• ML模型实现了高预测准确性,RMSE和MAE在各种剂量评估指标中范围为<1%至<10%.
• 预测全球GPR,DDs和DTA是最有效的,当专注于高剂量地区.
• 仅在虚拟剂量分布上训练的模型证明了针对特定指标和标准的患者异质性的适用性.

结论:

• 开发的ML模型在预测VMAT患者特定的QA剂量评估指标方面表现出很高的表现.
• 剂量分布的放射性特征是计划复杂性的有效指标.
• 这些发现表明,基于ML的质量保证指标预测可以提高放射治疗质量评估.