НАУЧНЫЙ И ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИЙ ЖУРНАЛ

ISSN 1024-6177 (Print), ISSN 2618-9615 (Online)

Медицинская радиология и радиационная безопасность. 2026. Том 71. № 2

DOI:10.33266/1024-6177-2026-71-2-147-152

Ж.Ж. Смирнова, Д.Ю. Бобров, А.А. Завьялов 

ПРОГНОЗИРОВАНИЕ РЕЗУЛЬТАТОВ ДОЗИМЕТРИЧЕСКОЙ ВЕРИФИКАЦИИ ПЛАНОВ ЛУЧЕВОЙ ТЕРАПИИ С ПОМОЩЬЮ МЕТОДОВ МАШИННОГО И ГЛУБОКОГО ОБУЧЕНИЯ: ОБЗОР МЕТОДОЛОГИЧЕСКИХ ПОДХОДОВ 

Федеральный медицинский биофизический центр им. А.И. Бурназяна ФМБА России, Москва

Контактное лицо: Жаннета Жамильевна Смирнова, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

РЕФЕРАТ

Введение: Современные методы лучевой терапии (IMRT, VMAT, SRS) требуют обязательной дозиметрической верификации каждого плана лечения перед началом лечения. Ключевым критерием оценки является показатель Gamma Passing Rate (GPR). Традиционный процесс верификации, основанный на физических измерениях, является трудоемким и снижает пропускную способность клиники. Это создает потребность в разработке эффективных методов оптимизации процедуры пациент-ориентированного контроля качества.

Цель: Обзор и анализ современных методологических подходов и алгоритмов машинного (МО) и глубокого обучения (ГО), применяемых для прогнозирования результатов GPR, а также определение перспективных направлений для будущих исследований в области виртуального контроля качества.

Заключение: Прогнозирование GPR с помощью методов МО и ГО представляет собой быстро развивающуюся и перспективную область. Обзор демонстрирует эволюцию подходов: от анализа единичных метрик сложности плана к использованию ансамблевых регрессионных моделей и, далее, к сложным архитектурам глубокого обучения. Исследования показывают, что разработка таких моделей позволяет с высокой точностью идентифицировать планы с риском неудачной верификации, что открывает путь к риск-ориентированному подходу и значительному сокращению рутинных измерений. Ключевыми задачами на пути к широкой клинической интеграции остаются обеспечение интерпретируемости моделей, преодоление дисбаланса классов данных, повышение общей применимости моделей и их интеграция в рабочие процессы клиник. Успешное решение этих задач позволит создать интеллектуальные системы поддержки принятия решений, способные повысить эффективность, безопасность и стандартизацию лучевой терапии.

Ключевые слова: лучевая терапия, пациент-ориентированный контроль качества, GPR, гамма-анализ, прогнозирование, машинное обучение, глубокое обучение, виртуальный контроль качества

Для цитирования: Смирнова Ж.Ж., Бобров Д.Ю., Завьялов А.А. Прогнозирование результатов дозиметрической верификации планов лучевой терапии с помощью методов машинного и глубокого обучения: обзор методологических подходов // Медицинская радиология и радиационная безопасность. 2026. Т. 71. № 2. С. 147–152. DOI:10.33266/1024-6177-2026-71-2-147-152

 

Список литературы

  1. Otto K. Volumetric Modulated Arc Therapy: IMRT in a Single Gantry Arc. Med Phys. 2008 Jan;35;1:310-7. Doi: 10.1118/1.2818738.
  2. Miften M., Olch A., Mihailidis D., Moran J., Pawlicki T., Molineu A., Li H., Wijesooriya K., Shi J., Xia P., Papanikolaou N., A Low D. Tolerance Limits and Methodologies for IMRT Measurement-Based Verification QA: Recommendations of AAPM Task Group No. 218. Med Phys. 2018 Apr; 45;4:e53-e83. Doi: 10.1002/mp.12810.
  3. Olch A.J. Dosimetric Performance of an Enhanced Dose Range Radiographic Film for Intensity‐Modulated Radiation Therapy Quality Assurance. Med Phys. 2002 Sep;29;9:2159-68. Doi: 10.1118/1.1500398.
  4. Wouter van Elmpt, McDermott L., Nijsten S., Wendling M., Lambin P., Mijnheer B. A Literature Review of Electronic Portal Imaging for Radiotherapy Dosimetry. Radiother Oncol. 2008 Sep;88;3:289-309. Doi: 10.1016/j.radonc.2008.07.008.
  5. Low D.A., Harms W.B., Mutic S., Purdy J.A. A Technique for the Quantitative Evaluation of Dose Distributions. Med Phys. 1998 May;25;5:656-61. Doi: 10.1118/1.598248.
  6. Depuydt T., Van Esch A., Pierre Huyskens D. A Quantitative Evaluation of IMRT Dose Distributions: Refinement and Clinical Assessment of the Gamma Evaluation. Radiother Oncol. 2002 Mar;62;3:309-19. Doi: 10.1016/s0167-8140(01)00497-2.
  7. Ford E.C., Terezakis S., Souranis A., Harris K., Gay H., Mutic S. Quality Control Quantification (QCQ): a Tool to Measure the Value of Quality Control Checks in Radiation Oncology. Int J Radiat Oncol Biol Phys. 2012 Nov 1;84;3:e263-9. Doi: 10.1016/j.ijrobp.2012.04.036.
  8. Chan M.F., Witztum A., Valdes G. Integration of AI and Machine Learning in Radiotherapy QA. Front Artif Intell. 2020 Sep 29:3:577620. Doi: 10.3389/frai.2020.577620.
  9. Valdes G., Chan M.F., Boh Lim Seng, Scheuermann R., O Deasy J., D Solberg T. IMRT QA Using Machine Learning: a Multi-Institutional Validation. J Appl Clin Med Phys. 2017 Sep;18;5:279-284. Doi: 10.1002/acm2.12161.
  10. Международное агентство по атомной энергии. Искусственный интеллект в медицинской физике. Функции, обязанности, образование и подготовка медицинских физиков клинической квалификации: Серия учебных курсов №83. Вена: МАГАТЭ, 2025. 54 с. [Mezhdunarodnoye Agentstvo po Atomnoy Energii. Iskusstvennyy Intellekt v Meditsinskoy Fizike. Funktsii, Obyazannosti, Obrazovaniye i Podgotovka Meditsinskikh Fizikov Klinicheskoy Kvalifikatsii = Artificial Intelligence in Medical Physics. Roles, Responsibilities, Education, and Training of Clinically Qualified Medical Physicists. Training Course Series No. 83. Vienna, IAEA Publ., 2025. 54 p. (In Russ.)].
  11. Younge K.C., Roberts D., Janes L.A., Anderson C., Moran J.M., Matuszak M.M. Predicting Deliverability of Volumetric-Modulated arc Therapy (VMAT) Plans Using Aperture Complexity Analysis. J Appl Clin Med Phys. 2016 Jul 8;17;4:124-31. Doi: 10.1120/jacmp.v17i4.6241.
  12. McNiven A.L., Sharpe M.B., Purdie T.G. A New Metric for Assessing IMRT Modulation Complexity and Plan Deliverability. Med Phys. 2010 Feb;37;2:505-15. Doi: 10.1118/1.3276775.
  13. Park J.M., Park S.-Y., Kim H. Modulation Index for VMAT Considering both Mechanical and Dose Calculation Uncertainties. Physics in Medicine & Biology. 2015;60;18:7101–7125. Doi: 10.1088/0031-9155/60/18/7101.
  14. Park J.M., Wu H.G., Kim J.H., Carlson J.N., Kim K. The Effect of MLC Speed and Acceleration on the Plan Delivery Accuracy of VMAT. Br J Radiol. 2015 May; 88;1049:20140698. Doi: 10.1259/bjr.20140698.
  15. Nyflot M.J., Thammasorn P., Wootton L.S., Ford E.C., Chaovalitwongse W.A. Deep Learning for Patient-Specific Quality Assurance: Identifying Errors in Radiotherapy Delivery by Radiomic Analysis of Gamma Images with Convolutional Neural Networks. Med Phys. 2019 Feb;46;2:456-464. Doi: 10.1002/mp.13338.
  16. Hideaki Hirashima, Tomohiro Ono, Mitsuhiro Nakamura, Yuki Miyabe, Nobutaka Mukumoto, Hiraku Iramina, Takashi Mizowaki. Improvement of Prediction and Classification Performance for Gamma Passing Rate by Using Plan Complexity and Dosiomics Features. Radiother Oncol. 2020 Dec:153:250-257. Doi: 10.1016/j.radonc.2020.07.031.
  17. Valdes G., Scheuermann R., Hung C.Y., Olszanski A., Bellerive M., Solberg T.D. A Mathematical Framework for Virtual IMRT QA Using Machine Learning. Med Phys. 2016 Jul;43;7:4323. Doi: 10.1118/1.4953835.
  18. Jiaqi Li, Le Wang, Xile Zhang, Lu Liu, Jun Li, Maria F Chan, Jing Sui, Ruijie Yang. Machine Learning for Patient-Specific Quality Assurance of VMAT: Prediction and Classification Accuracy. Int J Radiat Oncol Biol Phys. 2019 Nov 15;105;4:893-902. Doi: 10.1016/j.ijrobp.2019.07.049.
  19. Bin S., Zhang J., Shen L., Zhang Jand Wang Q. Study of the Prediction of Gamma Passing Rate in Dosimetric Verification of Intensity-Modulated Radiotherapy Using Machine Learning Models Based on Plan Complexity. Front Oncol. 2023 Jul;21;13:1094927. Doi: 10.3389/fonc.2023.1094927.
  20. Sangutid Thongsawad, Somyot Srisatit , Todsaporn Fuangrod. Predicting Gamma Evaluation Results of Patient-Specific Head and Neck Volumetric-Modulated Arc Therapy Quality Assurance Based on Multileaf Collimator Patterns and Fluence Map Features: a Feasibility Study. J Appl Clin Med Phys. 2022 Jul;23;7:e13622. Doi: 10.1002/acm2.13622.
  21. Shane McCarthy, Brent Harrison, Damodar Pokhrel. A Predictive Quality Assurance Model for Patient-Specific Gamma Passing Rate of Hyperarc-Based Stereotactic Radiotherapy and Radiosurgery of Brain Metastases. J Appl Clin Med Phys. 2025 Sep; 26;9:e70225. Doi: 10.1002/acm2.70225.
  22. Tomohiro Kajikawa, Noriyuki Kadoya, Kengo Ito, Yoshiki Takayama, Takahito Chiba, Seiji Tomori, Hikaru Nemoto, Suguru Dobashi, Ken Takeda, Keiichi Jingu. A Convolutional Neural Network Approach for IMRT Dose Distribution Prediction in Prostate Cancer Patients. J Radiat Res. 2019 Oct 23;60;5:685-693. Doi: 10.1093/jrr/rrz051.
  23. Haibo He, Yang Bai, Edwardo A. Garcia, Shutao Li. ADASYN: Adaptive Synthetic Sampling Approach for Imbalanced Learning In. IEEE International Joint Conference on Neural Networks. 2008:1322-1328. Doi: 10.1109/IJCNN.2008.4633969.
  24. Chawla N.V., et al. SMOTE: Synthetic Minority Over-Sampling Technique. Journal of Artificial Intelligence Research. 2002;16;1:321-357. Doi: 10.1613/jair.953.
  25. Alexander F I Osman, Nabil M Maalej. Applications of Machine and Deep Learning to Patient‐Specific IMRT/VMAT Quality Assurance. Appl Clin Med Phys. 2021 Aug 3;22;9:20–36. Doi: 10.1002/acm2.13375. 

 

  PDF (RUS) Полная версия статьи

 

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Исследование не имело спонсорской поддержки.

Участие авторов. Cтатья подготовлена с равным участием авторов.

Поступила: 20.01.2026. Принята к публикации: 25.02.2026.

 

© Журнал "Медицинская радиология и радиационная безопасность" 2020г.

Яндекс.Метрика

Наверх