在局部晚期食道癌中,机器学习预测肺部剂量,使用体积调制弧线治疗

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:

• 局部晚期食道癌 (LAEC) 治疗包括放射治疗,在此情况下,肺剂量是关键因素.
• 卷度调节弧线疗法 (VMAT) 是一种常见的技术,但优化肺剂量-体积直方图 (DVH) 度量需要仔细规划.
• 精确预测肺部DVH指标可以提高治疗计划质量和患者的治疗结果.

研究的目的:

• 在用VMAT治疗的LAEC患者中,开发和评估机器学习 (ML) 模型对关键肺DVH指标 (V5Gy,V20Gy,MLD) 的预测准确度.
• 评估四种不同的ML模型的性能:线性回归,支向量机,决策树和整体方法.
• 确定这些ML模型的临床实用性,以帮助患者为肺剂量降低做出特定决策.

主要方法:

• 使用MATLAB R2022a开发了四种ML模型,用于预测肺部DVH指标.
• 使用五倍交叉验证来评估模型的准确性.
• 使用了八个解释变量,包括患者人口统计,治疗参数 (SIB,下巴跟踪) 和与规划目标体积和整个肺相关的几何比率.

主要成果:

• 开发的ML模型显示了肺DVH指标的良好预测准确性.
• 预测剂量和计划剂量之间的皮尔森相关系数 (r) 在V5Gy,V20Gy和MLD的0.6到0.9之间.
• 在测试的四种ML模型中,没有观察到预测准确度的显著差异.

结论:

• 机器学习模型可以准确地预测LAEC VMAT中的肺DVH指标.
• 这些模型为迅速评估和改善治疗计划质量提供了有价值的工具.
• 这些模型支持患者特定的决策,在治疗开始前降低肺剂量.