使用机器学习在眼睛质子疗法中测定监视单元的概括模型:一个概念验证研究
Emmanuelle Fleury1,2, Joël Herault3, Kees Spruijt2
1Erasmus Medical Center Cancer Institute, University Medical Center, Department of Radiotherapy, Rotterdam, The Netherlands.
Physics in medicine and biology
|January 11, 2024
概括
一个新的机器学习模型准确地预测了眼睛质子疗法的监控单元,改善了眼睛黑色素瘤的治疗计划. 这种方法减少了耗时的治疗前测量的需求.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 机器学习 机器学习
背景情况:
- 监测单位 (MU) 的准确确定对于有效的放射治疗剂量输送至关重要.
- 目前的质子疗法计划系统缺乏针对眼部治疗的患者特定的MU计算,需要进行广泛的治疗前测量.
- 这种差距凸显了临床实践中需要有效和可靠的MU确定方法的需要.
研究的目的:
- 开发和验证一个通用的,多机构的机器学习模型,用于预测眼睛黑色素瘤的眼睛质子疗法中的监测单元.
- 建立一个独立的MU计算工具的概念验证,以简化治疗计划.
- 解决当前治疗计划系统在提供患者特异性MU值方面的局限性.
主要方法:
- 一个通用的模型是使用来自3个欧洲研究所的3748名患者的数据开发出来的.
- 评估了六种机器学习算法 (决策树,随机森林,额外树,K-最近邻居,梯度增强,支持向量回归).
- 关键输入特征包括分布式布拉格峰幅,范围,空气间隙,分数和校准剂量. 使用平均绝对误差来评估性能.
主要成果:
- 额外树的算法实现了高准确性,预测在3%的不确定性为85.2%的计划.
- 总体而言,98.6%的计划在评估算法中的10%不确定性范围内得到预测.
- 该模型在各种患者瘤模式和治疗参数中表现出强大的性能.
结论:
- 基于机器学习的通用模型用于眼睛质子疗法的监测单元确定是可行的和有效的.
- 这种方法为当前治疗计划系统的局限性提供了潜在的解决方案.
- 这项研究为开发用于质子治疗的独立,临床适用的MU计算工具铺平了道路.
