基于物理的机器学习,用于预测VMAT中的MLC和门架错误:一个特征工程方法
Perumal Murugan1, Ravikumar Manickam1
1Sri Shankara Cancer Hospital and Research Centre Bengaluru, Karnataka, India.
概括
基于物理的机器学习准确地预测了体积调制弧线疗法 (VMAT) 交付中的错误. 功能工程显著减少了位置错误,改善了放射治疗质量保证.
科学领域:
- 医学物理 医学物理
- 机器学习在放射治疗中的应用
- 辐射瘤学 辐射瘤学
背景情况:
- 卷度调制弧线疗法 (VMAT) 涉及复杂的交付动态.
- 准确地预测多叶合器 (MLC) 和门架位置错误对于VMAT质量保证至关重要.
- 现有的方法可能无法完全捕捉VMAT交付的复杂物理.
研究的目的:
- 开发一个基于物理的功能工程机器学习 (ML) 框架,用于预测VMAT中的MLC和门架位置错误.
- 引入新的基于物理的参数,以提高预测准确度.
- 为了比较不同的ML模型对VMAT错误预测的性能.
主要方法:
- 使用了VMAT轨迹日志和DICOMRT计划,这些日志来自32个TrueBeam linac处理和HD120 MLC.
- 提取了交付动态和基于物理的工程特征 (摩擦,重力,MLC速度正常化).
- 使用Optuna训练和优化XGBoost,LightGBM和深度神经网络 (DNN);通过Spearman相关性,相互信息和SHAP评估特征的重要性.
主要成果:
- 在DICOM-RT和轨道日志数据之间发现了系统的差异 (7-8.5%的偏差).
- MLC速度是主要的预测因素 (rs=0.891);物理驱动的特征显示了显著的相关性.
- 轻GBM和XGBoost实现了优越的MLC错误预测 (MAE:0.0019毫米),减少了30%的剩余错误;DNN的性能不那么有效.
- 格兰特错误预测的准确性较低 (MAE:0.012°-0.015°).
结论:
- 在ML中集成领域知识显著增强了放射治疗应用.
- 基于物理的特征工程实现了30%的减少VMAT的位置错误.
- 建议在VMAT质量保证中优先考虑功能空间探索与模型优化.
