整合光圈形状控制器和机器学习预测,以提高格放射治疗中的马传导率
Xiangyu E1, Su Zeng1, Minghe Lv1
1Department of Radiotherapy, Shuguang Hospital Affiliated to Shanghai University of Traditional Chinese Medicine, Shanghai 201203, People's Republic of China.
Physics in medicine and biology
|December 11, 2025
概括
这项研究将光圈形状控制 (ASC) 与机器学习相结合,以提高LATTICE放射治疗 (LRT) 计划的质量,在具有挑战性的领域显著提高了马通过率,并减少了验证时间.
科学领域:
- 医学物理 医学物理
- 放射治疗技术 放射治疗技术
- 医疗保健中的机器学习
背景情况:
- 拉蒂斯放射治疗 (LRT) 需要精确的计划验证.
- 改善马通过率 (GPRs) 和减少重新规划是临床需求.
- 开口形状控制器 (ASC) 和机器学习 (ML) 提供了潜在的解决方案.
研究的目的:
- 将ASC与基于ML的预测模型集成为LRT验证.
- 加强GPR并减少对LRT计划的重复验证.
- 评估ASC对剂量计参数和计划复杂性的影响.
主要方法:
- 在各种患者数据上使用Varian Halcyon v3.0生成LRT计划.
- 创建和重新优化了有和没有ASC的计划 ("Non_ASC_LRT"与"ASC_LRT").
- 提取了图表特征和剂量计参数;训练了一个XGBoost分类器在门户剂量计数据上.
主要成果:
- ASC优化改善了基线GPR<98% (平均增加1.95%) 的领域的GPR.
- XGBoost模型在预测失败字段方面取得了高准确度 (94.38%).
- ASC优化成功纠正了6个失败字段中的5个,减少了重新规划.
结论:
- 将ASC与ML预测模型集成,可以提高LRT计划的交付能力和验证效率.
- 这种工作流改善了对具有挑战性的领域的GPR,并减少了临床工作量.
- 综合方法平衡了剂量测量质量与放射治疗中的实际应用.
更多相关视频
05:18Author Spotlight: Improving Radiation Therapy Access with Radiation Planning Assistant
Published on: October 6, 2023
1.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
