机器学习在肺癌VMAT计划中对危及器官剂量预测的可行性

目的：探讨机器学习在肺癌容积旋转调强（VMAT）治疗计划对心脏和肺的剂量体积直方图（DVH）预测的可行性。方法：选取51例肺癌VMAT计划，随机选取其中43例为训练组，剩余8例为验证组。分析训练组中患者的解剖信息与两侧肺V5、V20和心脏V30、V40的相关性。采用机器学习方法，以解剖信息为输入、危及器官（OAR）的DVH为输出，分别构建并训练关于两侧肺以及心脏的人工神经网络模型。将验证组中8例VMAT计划中的解剖信息分别输入到已经构建好的人工神经网络模型，分别预测OAR的DVH。结果：两侧肺V5、V20和心脏V30、V40受自身体积大小影响可忽略，受OAR与靶区的空间相对位置关系影响较大。患侧肺、对侧肺、心脏的人工神经网络结构模型中隐藏层分别含有41、38、34个神经结点，线性回归系数分别为0.994、0.975、0.986。对验证组中患侧肺和对侧肺的V5、V20的预测误差分别为2.70%[±]1.83%、2.84[%±]1.97%和13.7%[±]7.8%、0.72[%±]0.75%，对心脏V30、V40的预测误差分别为3.20[%±]0.63%、2.1[%±]1.5%，仅对侧肺V5的预测值和实际值差异有统计学意义（P<0.05）。结论：采用人工神经网络方法可以对肺癌VMAT计划中解剖信息与OAR的DVH数据进行学习，构建的人工神经网络模型可预测出患侧肺、心脏V25[~]V60和对侧肺V20的DVH数据，可为临床计划设计提供参考