基于机器学习的集体预测模型,用于VMAT-SBRT计划的马通过率
Wenzhao Sun1, Zijie Mo2, Yongbao Li3
1State Key Laboratory of Oncology in South China, Collaborative Innovation Center for Cancer Medicine, Sun Yat-sen University Cancer Center, Guangzhou, China; Guangdong Esophageal Cancer Institute, Guangzhou, China.
概括
一个整体机器学习模型准确地预测和分类束GPR在立体体辐射疗法 (VMAT) 计划中,提高了辐射瘤学的整体性能.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 医疗保健中的机器学习
背景情况:
- 立体体辐射疗法 (SBRT) 与体积调节弧疗法 (VMAT) 是一种精确的辐射技术.
- 准确预测几何参数对于治疗的有效性和安全性至关重要.
- 机器学习为增强放射治疗计划分析提供了潜力.
研究的目的:
- 开发和评估一个整体机器学习模型,用于在SBRT (VMAT) 计划中预测和分类几何参数 (GPR).
- 为了比较计划复杂性特征,放射学特征和GPR预测的整体方法的性能.
- 评估机器学习在优化放射治疗治疗计划方面的实用性.
主要方法:
- 对128个SBRT VMAT计划 (330个弧梁) 的回顾性分析.
- 每个弧梁计算了216个放射学和34个平面复杂性特征.
- 开发了三种基于支持矢量机器的模型:基于计划特征的,基于特征的放射学模型和整体模型.
主要成果:
- 与单个模型相比,整体模型在GPR预测和分类方面表现优越.
- 组合模型在2%/2毫米马标准上实现了最低的平均绝对误差 (1.33%) 和根平均平方误差 (2.49%).
- 整体模型还为分类准确性提供了最高的曲线下面积 (0.896).
结论:
- 集成机器学习模型显著提高了SBRT (VMAT) 计划中GPR的预测和分类准确性.
- 将计划复杂性和放射学特征结合在一个整体方法中,为GPR分析提供了一个强大的方法.
- 这种方法有望改善放射治疗的质量保证.
