日常机器性能检查对多靶立体定向放射外科患者特异性质量保证预测模型的影响

《MEDICAL PHYSICS》：Impact of daily machine performance check on prediction models for patient-specific quality assurance of multiple-target stereotactic radiosurgery

　　

摘要

背景

单等中心多靶点立体定向放射外科治疗（SIMT SRS）利用标准直线加速器（linacs）通过调强野和小多叶准直器（MLC）开口实现高剂量适形性，这使得患者特异性质量保证（PSQA）成为放射治疗程序中的关键环节。复杂度指标已被确立为PSQA结果的预测因子，而直线加速器的日常质量控制检查则代表了另一潜在的预测信息来源。

目的

研究将机器性能检查（MPC）参数与复杂度指标相结合是否能提高机器学习模型对SIMT SRS PSQA中伽玛通过率（GPR）的预测能力。

方法

共纳入245例连续接受SIMT SRS治疗的患者的1054个体积调强弧。计划靶体积中位数为5.03 cc（范围0.31–119.65 cc），采用10 MV-FFF束，单次照射20或24 Gy，或分3–5次照射27–32 Gy。使用电子射野影像装置（EPID）逐野进行PSQA，伽玛标准为3%/1 mm，95%容差限值。共考虑十八项弧特异性计划复杂度指标（aPCM）和十项MPC特征。基于Spearman等级相关矩阵的层次聚类进行特征选择，最终获得十四项特征（五项aPCM，九项MPC）。数据按QA会话日期进行时间序列划分，最早的80%弧用于训练，最近的20%用于测试。训练了四个直方图梯度提升模型来预测每个弧的GPR：模型A（aPCM和MPC）、模型B（仅aPCM）、模型C（仅MPC）以及模型D（MPC预测模型B的残差）。使用平均绝对误差（MAE）和受试者工作特征曲线下面积（AUC）评估模型性能，并计算Bootstrap 95%置信区间。使用Cohen's f²和残差的Wilcoxon符号秩检验评估模型A与B之间的差异。通过SHAP（SHapley Additive exPlanations）获取模型可解释性。

结果

模型A表现最佳（MAE = 1.7% [1.5, 1.9]；AUC = 0.87 [0.79, 0.93]），模型B（MAE = 1.8% [1.6, 2.0]；AUC = 0.83 [0.75, 0.89]）和模型D（MAE = 1.8% [1.6, 2.0]；AUC = 0.83 [0.76, 0.90]）紧随其后。模型C表现明显较差，尤其在分类能力方面（MAE = 2.0% [1.7, 2.2]；AUC = 0.64 [0.58, 0.71]）。添加MPC特征的增量效应为小到中等水平，但对残差而言无统计学显著性（f² = 0.13 [0.02, 0.27]；Wilcoxon p = 0.213）。SHAP分析显示，aPCM是模型A和B中的主要预测因子，中位MLC间隙贡献最高（平均绝对SHAP值 $$ = 1.66%）。在MPC特征中，治疗床旋转精度贡献最高（$$ = 0.27%），远低于aPCM的贡献（组均值 $$ = 0.07% vs. 0.48%）。

结论

MPC特征未能提供对预测SIMT SRS PSQA结果的有意义的补充信息。与MLC开口特性相关的复杂度指标是主导预测因子，表明SIMT SRS中弧复杂性与PSQA结果之间存在关联。为减少EPID逐野PSQA结果的变异性，我们建议控制SIMT SRS弧的复杂度。

利益冲突声明

作者声明不存在利益冲突。

数据可用性声明

数据可根据合理请求向作者获取。