Prediction of Multileaf Collimator Leaf Positions Using a Hybrid BKA– Neural Network Model for Radiotherapy Delivery Accuracy

放射治疗是治疗癌症的一种强大工具，它利用高能射线来摧毁恶性细胞，同时保护健康组织。为了使这种治疗更加精准，医生使用一种被称为多叶准直器（multileaf collimator）的装置，它就像一个由许多薄金属叶片组成的动态快门。这些叶片通过向内或向外移动来塑造射束，从而刻画出一条与肿瘤形状完全匹配的定制路径。其目标是在对癌症施加致命剂量的同时，让周围的器官不受影响。然而，机械设备并非完美无缺。正如机械快门可能会卡顿或延迟一样，这些金属叶片有时会移动到与计算机规划位置偏差仅为零点几毫米的位置。在放射治疗的世界里，即使是仅仅一毫米的微小误差，也可能改变患者接受的剂量，从而可能降低治疗效果或伤害健康组织。正因如此，确保叶片在准确的时刻处于准确的位置，是医学物理学家面临的一个关键挑战。

研究人员长期以来一直试图在这些微小运动发生之前对其进行预测，希望能提前进行纠正。他们测试了各种计算机方法，包括标准的神经网络——这类系统是模仿人类大脑学习模式的能力而建立的。虽然这些系统可以学习，但它们往往难以兼顾速度与精度，尤其是在尝试预测复杂机器中每一片叶子的位置时。Jun Lv及其同事的一项新研究引入了一种不同的方法，该方法将标准神经网络与一种名为“黑翅鸢算法”（Black-winged Kite Algorithm）的自然启发式搜索方法相结合。这种算法模仿了一种特定猛禽的狩猎行为，利用其高效的搜索模式来寻找计算机模型最佳的初始设置。通过使用这种方法，研究人员旨在创建一个能够比以往方法更精确、更快速地预测叶片确切位置的系统。

团队使用来自五十个真实癌症治疗方案的数据对新模型进行了测试，涵盖了头部与颈部、胸部以及腹部的肿瘤。他们向计算机输入了来自机器日志的十三种不同信息，例如辐射源的角度、叶片的移动速度以及计划位置。目标是观察模型是否能猜出当机器发射时，叶片实际最终会停留在哪里。结果令人震惊。这个被称为BKA-BPNN的新模型预测叶片位置的平均误差仅为0.0026毫米。为了直观理解，这个误差如此之小，以至于预测位置与实际位置几乎无法区分，其相关性之高近乎完美。当将其与旧有的标准神经网络进行比较时，新模型的误差降低了近90%。此外，它也显著优于其他使用不同优化技术的先进方法，比次优方案的误差降低了近40%。

除了更精确之外，新模型还更加快速。当一些竞争系统需要一个多小时来处理数据时，黑翅鸢模型完成任务仅用了不到一分钟。这种速度至关重要，因为这意味着该系统有可能被用于实时监测或在治疗前进行检查。研究人员发现，该模型在不同的叶片数量和不同的治疗方案下都能保持一致的良好表现，这表明它是一个鲁棒的工具，不需要针对每一片叶子或每一位新患者进行重新训练。相比之下，旧模型在预测未经专门训练的叶片时往往表现挣扎，需要为每一片叶子进行单独训练。而新系统则能以同样的高精度处理所有叶片。

这项研究还探讨了这些预测如何提高放射治疗的安全性。目前，医生通常在治疗完成后才验证机器的性能，这对于修正错误来说已经太晚了。这种新方法提供了一种在射线开启之前预测并纠正错误的方式。通过及早识别潜在的偏差，该系统可以帮助确保交付的剂量与计划剂量相符，从而保护患者免受意外暴露。研究人员指出，尽管他们的模型非常有效，但它是基于两种特定类型放射设备的资料进行的测试。他们建议，未来的工作应包含来自更多样化机器的数据，以确保该模型在任何地方都能适用。然而，就目前而言，这项研究证明了通过将智能搜索算法与学习网络相结合，可以实现对这些关键医疗设备的运动进行预测，其精度达到了此前无法企及的水平，为使癌症治疗更加安全和有效迈出了充满希望的一步。