机器学习在调强放疗计划剂量验证中的作用

目的:探讨机器学习对调强放疗计划剂量验证中的作用。方法:选取2019年3月至2020年8月在温州医科大学附属第一医院接受双弧容积调强放射治疗(VMAT)的141例患者,提取调强计划的13个复杂度参数并收集不同条件下的伽玛通过率(GPR),将数据按照7:3随机划分为训练集与测试集。通过Pearson相关性分析和套索回归(LASSO)筛选参数,利用支持向量机的机器学习方法进行建模,对GPR分别进行数值和分类预测。均方根误差(RMSE)和平均绝对误差(MAE)用来评估模型数值预测的准确性,曲线下面积(AUC)用来评估模型分类的准确性。结果:在GPR数值预测中,在3%/3 mm、3%/2 mm、2%/2 mm条件下,测试集中RMSE分别为2.22、3.51、4.59;MAE分别为1.56、2.68、3.67。在GPR分类预测中,在3%/3 mm、3%/2 mm、2%/2 mm条件下测试集的AUC结果分别0.79、0.78、0.77。结论:基于机器学习对调强放疗计划进行剂量验证具有一定的临床应用价值,为质量保证提供了一种新思路。