基于机器学习的Elekta MLC运动预测与剂量测量验证,用于虚拟患者特定的QA

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 医疗保健中的机器学习

背景情况:

• 精确的多叶合器 (MLC) 运动预测对于强度调节放射疗法 (IMRT) 和体积调节弧线疗法 (VMAT) 等先进的放射治疗技术至关重要.
• 传统的患者特异性质量保证 (QA) 方法资源密集,容易产生测量不确定性.
• 开发预测模型可以简化质量保证流程,提高剂量递送的准确性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测Elekta Versa HD系统上交付的MLC位置.
• 通过使用DICOM-RT计划中的动力学参数来评估Elekta伺服机制的决定性.
• 通过物理质量保证测量,评估基于ML的运动预测对剂量计准确性的影响.

主要方法:

• 创建了200个患者计划的数据集,将计划的MLC动力学参数 (位置,速度,加速度) 与轨迹日志提供的值配对.
• 包括线性回归 (LR) 在内的四种回归模型被训练来预测交付的MLC位置.
• 用17个临床计划的ArcCHECK测量进行了剂量计验证,比较了原始计划和LR校正计划的马合格率.

主要成果:

• 线性回归 (LR) 实现了最高的预测准确度,平均绝对误差 (MAE) 为0.145毫米,证实了计划和交付的MLC轨迹之间的线性关系.
• 经过LR校正的计划显示,玛射线通过率在统计上有显著改善 (在1%/1毫米标准下平均增加2.24%,p < 0.001).
• 该LR模型有效地捕获了系统的机械特征,例如惯性效应.

结论:

• 一个计算效率高的线性回归模型可以准确地预测Elekta MLC的性能,为基于ML的虚拟QA提供了强大的方法.
• 这种基于机器学习的方法减少了对物理质量保证资源的依赖,使其成为适应性放射治疗 (ART) 等时间敏感的工作流程的有价值的工具.
• 精确的MLC运动预测提高了剂量递送的精度,并优化了现代辐射瘤学的质量保证效率.