DOI: https://doi.org/10.1016/j.ijpt.2026.101301
PMID: https://pubmed.ncbi.nlm.nih.gov/41725630
تاريخ النشر: 2026-02-02
المؤلف: Giorgio Cartechini وآخرون
الموضوع الرئيسي: تقنيات العلاج الإشعاعي المتقدمة
نظرة عامة
تقدم الدراسة تطوير نموذج قائم على التعلم الآلي يهدف إلى التنبؤ بدقة بوقت تسليم الشعاع (BDT) لنظام Mevion S250i Hyperscan، مما يعالج فجوة كبيرة في النماذج الحالية لهذه الآلة المحددة. باستخدام سجلات الآلات المؤسسية من 11 مريضًا، بإجمالي 1120 سجلًا، استخرجت الدراسة ميزات رئيسية مثل موضع النقطة، تغييرات طبقات الطاقة، حركات الفتحة التكيفية (AA)، وشحنة النقطة. كانت المتغير المستهدف للتنبؤ هو وقت بين النبضات (∆T). تم استخدام نموذج الغابة العشوائية، وتم التحقق منه من خلال التحقق المتقاطع واختباره على مجموعة بيانات منفصلة، مع استخدام تحليل SHAP (SHapley Additive exPlanations) لتقييم مساهمة كل ميزة.
أشارت النتائج إلى أن النموذج حقق متوسط أخطاء مطلقة (MAE) تتراوح من 0.9 مللي ثانية لفترات قصيرة (أقل من 50 مللي ثانية) إلى 222 مللي ثانية لتأخيرات أطول (أكثر من 1000 مللي ثانية). ومن الجدير بالذكر أن حركات AA ظهرت كأهم متنبئ لـ ∆T التي تتجاوز 50 مللي ثانية، بينما كانت مواضع النقاط وشحنة النبض أكثر تأثيرًا للفترات القصيرة. كانت تغييرات الطاقة، على الرغم من تأثيرها العالمي الطفيف، تساهم بشكل كبير في قيم ∆T الأكبر في سياقات معينة، متماشية مع مبادئ فيزياء معدل النطاق. تم إثبات قابلية تطبيق النموذج من خلال اختباره في سيناريوهين ذوي صلة سريرية: تسلسلات إعادة طلاء الحجم وحساب الجرعة 4D.
مقدمة
تستعرض المقدمة التقدمات الأخيرة في علاج البروتون، مع التركيز بشكل خاص على تصغير أنظمة المسرعات من خلال اعتماد تقنية المغناطيسات فائقة التوصيل. أدى هذا الاتجاه إلى تقليل التكاليف وتحسين التكامل في مرافق العلاج الإشعاعي الحالية، كما يتضح من نظام Mevion S250i Hyperscan، الذي يستخدم مسرعًا فائق التوصيل مثبتًا على جسر مدمج ويعمل في عدة مناطق، بما في ذلك أوروبا. الابتكار الأخير، نظام Mevion S250-FIT، يتميز بتكوين بدون جسر مناسب لعلاج قوس البروتون (PAT)، مما يعزز ديناميات تسليم الشعاع ويتطلب نمذجة دقيقة لوقت تسليم الشعاع (BDT) للتخطيط الفعال للعلاج.
يتم التأكيد على أهمية نمذجة BDT الدقيقة، حيث إنها ضرورية للكفاءة التشغيلية والدقة السريرية، خاصة في حسابات الجرعة 4D التي تأخذ في الاعتبار حركة الورم. بينما تم تطوير نماذج BDT الحالية لأنظمة أخرى، لم يتم الإبلاغ عن أي نموذج محدد لأنظمة Mevion. تعالج هذه الدراسة هذه الفجوة من خلال تقديم أول نموذج BDT قائم على التعلم الآلي لنظام Mevion S250i، تم تدريبه على سجلات العلاج. تشمل تطبيقات النموذج التنبؤ بـ BDT لخطط إعادة طلاء الحجم وتسهيل حسابات الجرعة 4D، مما يساهم في تقديم رؤى قيمة حول خصائص وقت التسليم لجهاز Mevion وتعزيز قدرات التخطيط للعلاج.
الطرق
تستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. توضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية إعادة إنتاج النتائج. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الاختبارات الإحصائية أو النماذج الحسابية، والتي تعتبر ضرورية للتحقق من النتائج.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، بما في ذلك تدابير التحكم وأي عوامل بيئية ذات صلة قد تؤثر على النتائج. بشكل عام، يعمل هذا القسم كدليل شامل لتكرار الدراسة وفهم السياق الذي تم فيه الحصول على النتائج.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يسلط الضوء على الاتجاهات البيانية الهامة، والنتائج الإحصائية، وأي علاقات ملحوظة بين المتغيرات. عادة ما يتم توضيح النتائج من خلال الجداول، الرسوم البيانية، أو الأشكال، التي توفر تمثيلًا بصريًا للبيانات وتساعد في التفسير.
قد يناقش القسم أيضًا تداعيات النتائج فيما يتعلق بالفرضيات المطروحة في بداية الدراسة. علاوة على ذلك، غالبًا ما يتضمن مقارنة النتائج مع الأبحاث السابقة، مما يبرز المساهمات الجديدة في هذا المجال. بشكل عام، تعتبر النتائج حاسمة لفهم صلاحية وملاءمة استنتاجات البحث.
المناقشة
في هذه الدراسة، تم تطوير نموذج للتنبؤ بوقت تسليم الشعاع (BDT) قائم على التعلم الآلي لنظام علاج البروتون Mevion S250i باستخدام تقنية Hyperscan. تم تنفيذ النموذج باستخدام خوارزمية الغابة العشوائية، وتم تدريبه على سجلات الآلات من 11 مريضًا، تشمل 1,120 سجل علاج وأكثر من 2.8 مليون نبضة. تشير النتائج الرئيسية إلى أن أوقات تسليم بين النبضات ($\Delta T$) تتأثر بشكل كبير بتبديل طبقات الطاقة، وحجم الحركات في الفتحة التكيفية (AA) ومواقع النقاط، والانتقالات من طبقات الشحن المنخفض إلى نبضات العلاج. أظهر النموذج دقة تنبؤية مقارنة بعدم اليقين اليومي لتسليم الآلة، مع متوسط خطأ مطلق (MAE) قدره 0.9 مللي ثانية لأوقات بين النبضات القصيرة وأقصى MAE قدره 222.0 مللي ثانية للفترات الأطول.
كشف تحليل SHAP أن الميزات المتعلقة بـ AA كانت أكثر المتنبئين تأثيرًا لـ $\Delta T$، خاصة لأوقات بين النبضات الأطول، بينما هيمنت ميزات الشحن وموقع النقطة على الفترات القصيرة. أظهر تطبيق النموذج في السيناريوهات السريرية، مثل إعادة طلاء الحجم وحسابات الجرعة 4D، نتائج واعدة، حيث كانت أوقات التسليم المتوقعة تتماشى عن كثب مع القياسات الفعلية وتبقى ضمن التباين الجوهري لنظام Mevion. بشكل عام، تمثل هذه الدراسة تقدمًا كبيرًا في تطبيق التعلم الآلي على علاج البروتون، حيث توفر إطارًا قويًا للتنبؤ بأوقات التسليم وتعزيز التخطيط للعلاج.
القيود
تسلط القيود في هذه الدراسة على نظام Mevion S250i الضوء على عدة جوانب حاسمة. أولاً، تستند النتائج إلى مجموعة بيانات مقيدة لمؤسسة واحدة، مما يتطلب دراسات متعددة المؤسسات لتقييم قابلية تعميم وإعادة إنتاج النتائج ضمن مجتمع مستخدمي Mevion الأوسع. بالإضافة إلى ذلك، أظهر النموذج تقديرًا منخفضًا للأحداث النادرة ذات التأخيرات الطويلة، مما يشير إلى أن تقنيات معالجة البيانات الأكثر تقدمًا، مثل استراتيجيات الإفراط في العينة، قد تعزز الدقة التنبؤية.
بينما تم اختيار خوارزمية الغابات العشوائية لصلابتها وقابليتها للتفسير، تعترف الدراسة بأن منهجيات بديلة، بما في ذلك تعزيز التدرج أو الشبكات العصبية، قد تؤدي إلى تحسين الأداء. يجب أن تهدف الأبحاث المستقبلية إلى توسيع هذا الإطار ليشمل طرق جديدة مثل التصوير الصوتي الضوئي (PAT)، حيث يكون التزامن الدقيق لوقت تسليم الشعاع (BDT) ضروريًا لتحسين خطط العلاج. تقدم الدراسة أيضًا قيم محددة للمعلمات الفائقة لنموذج الغابة العشوائية، والتي تم ضبطها من خلال التحقق المتقاطع 5 مرات، مما يبرز الصرامة المنهجية المستخدمة في التحليل.
DOI: https://doi.org/10.1016/j.ijpt.2026.101301
PMID: https://pubmed.ncbi.nlm.nih.gov/41725630
Publication Date: 2026-02-02
Author(s): Giorgio Cartechini et al.
Primary Topic: Advanced Radiotherapy Techniques
Overview
The research presents the development of a machine learning-based model aimed at accurately predicting beam delivery time (BDT) for the Mevion S250i Hyperscan system, addressing a significant gap in existing models for this specific machine. Utilizing institutional machine log files from 11 patients, totaling 1120 logs, the study extracted key features such as spot position, energy layer changes, Adaptive Aperture (AA) movements, and spot charge. The target variable for prediction was the inter-pulse time (∆T). A Random Forest model was employed, validated through cross-validation and tested on a separate dataset, with SHAP (SHapley Additive exPlanations) analysis used to assess the contribution of each feature.
The findings indicated that the model achieved mean absolute errors (MAE) ranging from 0.9 ms for short intervals (less than 50 ms) to 222 ms for longer delays (greater than 1000 ms). Notably, AA movements emerged as the primary predictor for ∆T exceeding 50 ms, while spot positions and pulse charge were more influential for shorter intervals. Energy changes, although having a minor global impact, were found to contribute significantly to larger ∆T values in specific contexts, aligning with the principles of range modulator physics. The model’s applicability was further demonstrated through its testing in two clinically relevant scenarios: volumetric repainting beam sequences and 4D dose recalculation.
Introduction
The introduction outlines recent advancements in proton therapy, particularly focusing on the miniaturization of accelerator systems through the adoption of superconducting magnet technology. This trend has led to reduced costs and improved integration into existing radiotherapy facilities, exemplified by the Mevion S250i Hyperscan system, which employs a compact gantry-mounted superconducting synchrocyclotron and is operational in multiple regions, including Europe. The latest innovation, the Mevion S250-FIT system, features a gantry-less configuration suitable for proton arc therapy (PAT), enhancing beam delivery dynamics and requiring precise modeling of beam delivery time (BDT) for effective treatment planning.
The significance of accurate BDT modeling is emphasized, as it is crucial for operational efficiency and clinical accuracy, particularly in 4D dose calculations that account for tumor motion. While existing BDT models have been developed for other systems, no specific model has been reported for Mevion systems. This study addresses this gap by introducing the first machine learning-based BDT model for the Mevion S250i, trained on treatment log files. The model’s applications include predicting BDT for volumetric repainting plans and facilitating 4D dose calculations, thereby contributing valuable insights into the delivery time characteristics of the Mevion machine and enhancing treatment planning capabilities.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the results. The methodology encompasses the techniques applied for data collection and analysis, such as statistical tests or computational models, which are crucial for validating the findings.
Additionally, the section may describe the experimental conditions, including control measures and any relevant environmental factors that could influence the outcomes. Overall, this section serves as a comprehensive guide for replicating the study and understanding the context in which the results were obtained.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights significant data trends, statistical outcomes, and any observed relationships between variables. The results are typically illustrated through tables, graphs, or figures, which provide a visual representation of the data and facilitate interpretation.
The section may also discuss the implications of the findings in relation to the hypotheses posed at the outset of the study. Furthermore, it often includes a comparison of the results with previous research, emphasizing novel contributions to the field. Overall, the results are critical for understanding the validity and relevance of the research conclusions.
Discussion
In this study, a machine learning-based beam delivery time (BDT) prediction model was developed for the Mevion S250i proton therapy system utilizing Hyperscan technology. The model, implemented using a Random Forest algorithm, was trained on machine log files from 11 patients, encompassing 1,120 treatment records and over 2.8 million pulses. Key findings indicate that inter-pulse delivery times ($\Delta T$) are significantly influenced by energy layer switching, the magnitude of movements in the Adaptive Aperture (AA) and spot positions, and transitions from low-charge layers to treatment pulses. The model demonstrated predictive accuracies comparable to the machine’s daily delivery uncertainties, with a mean absolute error (MAE) of 0.9 ms for short inter-pulse times and a maximum MAE of 222.0 ms for longer intervals.
The SHAP analysis revealed that AA-related features were the most influential predictors of $\Delta T$, particularly for longer inter-pulse times, while charge and spot position features dominated for shorter intervals. The model’s application in clinical scenarios, such as volumetric repainting and 4D dose calculations, showed promising results, with predicted delivery times closely aligning with actual measurements and remaining within the intrinsic variability of the Mevion system. Overall, this research represents a significant advancement in the application of machine learning to proton therapy, providing a robust framework for predicting delivery times and enhancing treatment planning.
Limitations
The limitations of this study on the Mevion S250i highlight several critical aspects. Firstly, the findings are derived from a dataset restricted to a single institution, necessitating multi-institutional studies to evaluate the generalizability and reproducibility of the results within the wider Mevion user community. Additionally, the model demonstrated an underestimation of rare long-delay events, indicating that more advanced data processing techniques, such as oversampling strategies, could enhance predictive accuracy.
While the Random Forests algorithm was chosen for its robustness and interpretability, the study acknowledges that alternative methodologies, including gradient boosting or neural networks, might yield improved performance. Future research should aim to extend this framework to emerging modalities like Photoacoustic Tomography (PAT), where precise synchronization of Beam Delivery Time (BDT) is essential for optimizing treatment plans. The study also provides specific hyperparameter values for the Random Forest model, which were fine-tuned through 5-fold cross-validation, emphasizing the methodological rigor employed in the analysis.