机器学习模型预测放射治疗计划质量保证结果

医学信息学解锁18（2020）100292机器学习模型在放射治疗计划中预测质量保证结果菲利普·D·H Wall a，*，Jonas D. Fontenot a，ba物理和天文学系，路易斯安那州立大学和农业与机械学院，202 Tower Drive，Baton Rouge，LA，70803-4001，USAb物理系，Mary Bird Perkins癌症中心，4950 Essen Lane，Baton Rouge，LA，70809，USAA R T I C L EI N FO保留字：放射治疗调容弧治疗治疗计划针对患者的质量保证机器学习A B S T R A C T本研究的目的是开发和评估机器学习模型，用于预测体积调制式弧形放射治疗（VMAT）治疗计划的质量保证（QA）结果。本研究收集了500个VMAT使用3%/3 mm剂量差和距离一致伽马标准（局部归一化）计算伽马通过率（GPR）。从每个治疗计划中提取了241个复杂性度量和计划参数，并使用特征选择方法通过EX tra树森林、互信息和线性回归评估和比较了它们对于准确预测GPR的相对重要性。不同机器学习模型的超参数-包括线性模型，支持向量机（SVM），基于树的模型和神经网络-使用训练数据的交叉验证进行调整（80%/20%训练/测试分割）。特征与GPR弱相关，50 mm处的小孔径评分（SAS）具有最大的绝对值Pearson相关系数（0.38;p 0.001）。

下载后可阅读完整内容，剩余1页未读，立即下载