基于国产加速器URT-Linac 506c的计划复杂度分析和患者计划质量保证预测

目的 探讨基于国产联影URT-Linac 506c加速器的容积弧形调强放射治疗(Volumetric Modulated Arc Therapy,VMAT)计划复杂度参数与患者计划质量保证(Patient Specific Quality Assurance,PSQA)间的关系,并建立机器学习模型对PSQA结果进行评估和预测。方法 随机选取150例在URT-Linac 506c加速器上行VMAT治疗计划的患者为研究对象,在该加速器上对所有计划进行基于机载电子射野影像系统探测器的PSQA剂量验证。对剂量验证结果进行阈值为10%、标准为2%/2 mm的伽马通过率分析。同时对每个计划基于多叶准直器位置和跳数,提取其中的11个复杂度参数。分析复杂度参数和PSQA结果间的关系,并建立机器学习模型对PSQA结果进行预测。结果 计划复杂度参数与PSQA结果的相关性分析表明二者并不严格呈线性相关,但计划的复杂程度越高,PSQA通过率相对越低。梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型和随机森林(Random Forest,RF)模型对基于复杂度参数的PSQA结果预测水平相当,GBDT模型和RF模型的平均预测误差分别为0.55%和0.54%。由于PSQA结果分布严重不平衡,更改过权重后的模型对低通过率部分的预测能力有所提升。结论 对于国产加速器URT-Linac 506c,这2种基于决策树结构的机器学习模型对PSQA结果的预测可提供一定的帮助,建立更精准的模型需要进一步完善采集患者的样本量。