为了改进新型放射治疗技术中的处方指标:一项机器学习研究

科学领域:

• 辐射瘤学 辐射瘤学
• 医学物理 医学物理
• 计算生物学是一种计算生物学.

背景情况:

• 新型放射治疗技术,如微光束放射治疗 (MRT),微光束放射治疗 (MBRT) 和FLASH放射治疗 (RT) 提供了减少正常组织并发症的潜力.
• 这些技术调节剂量分布在空间和时间,需要更深入地了解参数对生物结果的影响.

研究的目的:

• 通过机器学习 (ML) 研究物理和时间参数在预测MRT,MBRT和FLASH RT生物结果中的重要性.
• 将基于ML的发现与以前的相关性分析进行比较,以及对这些先进的RT模式的当前理解.

主要方法:

• 一个ML算法被开发和训练在MRT,MBRT和FLASH RT发表的临床前数据.
• 该模型预测了包括正常组织毒性,瘤控制和延长寿命 (ILS) 在内的定量指标.
• 不同变量对模型性能的影响和重要性被量化和排名.

主要成果:

• 对于大多数预测指标,ML模型的准确性超过70%,在MBRT (60%) 和FLASH RT (40%) 中正常组织毒性的显著差异.
• 在MRT中,山谷剂量是正常组织节省的主要参数;在MBRT中,峰值剂量具有很大的影响.
• 在对MRT和MBRT的综合分析中,谷剂量显著影响了ILS. 对于FLASH RT,总剂量和组织特征是瘤控制和毒性的关键.
• 在考虑治疗指数时,剂量率变得更加重要.

结论:

• 剂量异质性对于在MBRT和MRT中节省正常组织至关重要,需要遵守特定的山谷和峰值剂量值.
• 最佳的节约和瘤控制需要根据组织特定的剂量参数准确的处方.
• FLASH RT的瘤控制机制与传统的RT看起来是一致的,尽管它具有独特的剂量输送特性.