機械学習モデルを用いた舌癌症例の線量-体積パラメータの予測モデリング

Predictive modeling of dose-volume parameters of carcinoma tongue cases using machine learning models.

抄録

本研究の目的は、舌癌術後症例の線量予測生成ツールのための単一施設ベースの機械学習モデルを前向きに作成することである。舌癌患者20例の強度変調放射線治療（IMRT）計画をEclipse治療計画システムを用いて作成した。機械学習モデルは、Anacondaソフトウェアを用いてJupyterノートブックでPython 3.10コンピュータ言語を用いて生成した。臨床治療計画から得られたPTVとOARの線量を主要データセットとして使用した。機械学習モデルは、選択した体積ごとに2つの異なるデータセット（10と20）を用いて構築した。10組の新しい患者からの体積が、対応する線量値を予測するためにソフトウェアに入力された。与えられた入力を通して、10人の患者の計画生成線量値を10と20のデータセットモデルの予測結果と比較した。PTVの体積データを用いて作成したモデルは、より高い精度で線量値を予測した。TPSで生成された値でモデルの予測値を検証したところ、10データセットモデル、20データセットモデルともに、10人のPTVsデータはすべて誤差3%以内、OARsデータのほとんどは誤差5%以内で予測された。機械学習モデルに実装された線量特徴量は、PTVs線量パラメータとOARs制約の両方を合理的に予測し、臨床計画プロセスにおける意思決定に信頼性を与える。

The aim of this study is to create a single institution-based machine learning model for a dose prediction generation tool for post-operative carcinoma of the tongue cases prospectively. Intensity-modulated radiotherapy (IMRT) plans for 20 patients with carcinoma of the tongue were generated using the Eclipse treatment planning system. A machine learning model was generated using a Python 3.10 computer language in a Jupyter notebook using Anaconda software. The PTVs and OARs doses obtained from the clinical treatment plans were used as a primary dataset. Machine learning models are built with two different datasets (10 and 20) for each selected volume. Volumes from 10 new sets of patients were fed into the software for predicting the corresponding dose values. Through the input given, the plan generated dose values of 10 patients were compared with the predicted outcomes of the 10 and 20 dataset models. The model created using the PTVs volume data predicted the dose values with increased accuracy. By verifying the model prediction with the TPS generated value, both the 10 and 20 dataset models predict all the 10 PTVs data within an error bound of 3% and most of the OARs data within an error bound of 5%. The dosimetric features implemented in the machine learning models reasonably predict both the PTVs dose parameter and OARs constraints and give confidence in decision-making during the clinical planning process.