使用机器学习的立体体射线疗法的同心稳定性的高效质量保证
Sana Salahuddin1,2, Saeed Ahmad Buzdar3, Khalid Iqbal4
1Institute of Physics, The Islamia University of Bahawalpur, Bahawalpur, Pakistan. sana.salahuddin@iub.edu.pk.
Radiological physics and technology
|December 31, 2023
概括
机器学习模型准确地预测异心稳定性,用于刻板体辐射疗法 (SBRT) 质量保证 (QA). 决策树和随机森林模型显示高精度,提高了患者治疗的安全性和效率.
科学领域:
- 医学物理 医学物理
- 机器学习在辐射瘤学中的应用
背景情况:
- 对于立体体射线疗法 (SBRT) 的手动质量保证 (QA) 是耗时且容易出现错误的.
- 准确的同心稳定性对于有效和安全的SBRT输送至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测SBRT QA期间的同心稳定性.
- 支持医学物理学家提高质量保证程序的准确性和效率.
主要方法:
- 从使用RUBY幻影的TrueBeam linac SBRT QA收集了247个温斯顿-卢茨 (WL) 测试.
- 使用IsoCheck EPID软件提取的统计特征.
- 训练并评估了五种ML模型:物流回归,决策树 (DT),随机森林 (RF),天真贝叶和支持向量机器.
主要成果:
- 决策树 (DT) 和随机森林 (RF) 模型实现了最高的测试准确性 (93.5%99.4%) 和曲线下面积 (AUC) (90%100%).
- 该DT模型在预测同心稳定性偏差时表现出卓越的精度,回忆和F1分数.
- 机器学习模型有效地预测了协同测试仪,架架和桌面测试中的质量保证结果.
结论:
- 基于ML的QA评估可以显著改善SBRT的早期错误预测.
- 实施ML模型可以提高患者放射治疗的安全性和有效性.
- DT和RF模型为自动化同心稳定性QA提供了强大的解决方案.
