基于机器学习的光束交付时间模型,用于Mevion S250i,具有超扫描技术
Giorgio Cartechini1, Francesco Giuseppe Cordoni2, Mirko Unipan1
1Maastricht University Medical Centre+, Department of Radiation Oncology (Maastro), GROW School for Oncology and Reproduction, Doctor Tanslaan 12, Maastricht 6229 ET, The Netherlands.
International journal of particle therapy
|February 23, 2026
概括
我们开发了第一个机器学习模型来预测Mevion系统上的光束传递时间,这对于质子疗法的效率至关重要. 该模型准确地捕捉了系统动态,并有助于先进的治疗规划.
科学领域:
- 医学物理 医学物理
- 医疗保健中的机器学习
- 质子疗法是一种治疗方法.
背景情况:
- 精确的光束传递时间 (BDT) 预测对于质子疗法的运行效率,4D剂量计算和先进技术至关重要.
- 目前,对于Mevion系统而言,没有特定于机器的BDT模型,这限制了优化潜力.
研究的目的:
- 为Mevion S250i超扫描系统开发和验证第一个基于机器学习的BDT模型.
- 用可解释的AI分析BDT预测的特征贡献.
主要方法:
- 使用机构机器日志文件 (11名患者,1120个文件) 开发了一个随机森林模型.
- 提取的特征包括点位置,能量层变化,自适应孔径 (AA) 运动和点电荷;脉冲间时间是目标变量.
- 利用SHAP分析量化特征贡献,并对该模型的临床应用进行验证.
主要成果:
- 该模型实现了从0.9ms (短间隔) 到211ms (长延迟) 的平均绝对误差.
- 长时间延迟 (>50毫秒) 的主要预测因素是AA运动,而短时间间隔的主导因素是点位和脉冲电荷.
- 该模型准确地预测了累积交付时间 (-1.6%的偏差),并在交付变化范围内保持剂量计量指标.
结论:
- 介绍了Mevion S250i的第一个基于ML的BDT模型,准确地反映了机器特定的时间动态.
- SHAP分析提供了对运营特征的见解,突出了AA,能量层和现货位置的贡献.
- 该模型显示了强大的预测性能,用于诸如相互作用评估和4D剂量计算等应用.
