从计划到交付:基于机器学习的多叶合器的位置精度预测和在体积调制弧形治疗中估计交付效果

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 放射治疗技术 放射治疗技术

背景情况:

• 准确的患者定位对于有效的放射治疗至关重要.
• 多叶合器 (MLC) 在体积调节弧线疗法 (VMAT) 期间在塑造辐射束方面发挥着至关重要的作用.
• MLC的位置精度直接影响剂量递送精度和治疗结果.

研究的目的:

• 在VMAT中全面分析影响MLC位置精度的因素.
• 开发一个MLC位置偏差的预测模型.
• 在治疗开始之前估计VMAT计划交付质量.

主要方法:

• 从23个VMAT计划中分析了744个"dynalog"文件.
• 空间/时间VMAT流动和MLC机械磨损参数的多相关性分析.
• 开发一个随机森林 (RF) 集合学习模型,用于MLC位置精度预测.
• 斯皮尔曼相关性用于评估MLC位置偏差,剂量偏差和马传递率之间的关联.

主要成果:

• 在MLC位置偏差和影响因素之间发现了强烈的多相关性 (R=0.701).
• 开发了高精度的射频预测模型 (95.03%的变量解释,MSE=0.059交叉验证,MSE=0.074测试数据).
• MLC的位置偏差与玛传递率 (r=-0.506到-0.720) 相当相关,但与剂量偏差有微小的相关性.

结论:

• 开发的射频预测模型是VMAT质量保证的宝贵工具.
• 预先预测MLC的位置精度可以提高治疗规划和交付.
• 这种方法有助于提高VMAT放射治疗的安全性和疗效.