En este artículo, desarrollamos un marco basado en aprendizaje automático para modelar con precisión el efecto talón del ánodo en simulaciones de Monte Carlo del sistema de imágenes lineales __T40256_____. Entrenamos un modelo de multirregresión para predecir la variación de la intensidad espacial a lo largo del eje ánodo-cátodo utilizando ponderaciones experimentales obtenidas a partir de mediciones del haz a diferentes voltajes del tubo. Estas ponderaciones capturan la asimetría introducida por el efecto ánodo-cátodo. Establecimos un protocolo sistemático de ajuste fino para minimizar el número de mediciones necesarias, manteniendo la precisión del modelo. Implementamos los modelos en OpenGATE 10 y el kit de herramientas Monte Carlo de GGEMS para evaluar su viabilidad de integración y rendimiento predictivo. Entre los modelos probados, la Regresión de Impulso de Gradiente (GBR) alcanza la mayor precisión, con errores de predicción inferiores al 5 % en todos los niveles de energía. La estrategia de ajuste fino optimizada requiere solo seis posiciones de detector por nivel de energía, lo que reduce el esfuerzo de medición en un 65 %. El error máximo introducido por este proceso de ajuste fino es inferior al 2 %. La comparación de los factores de dosis en simulaciones de Monte Carlo demuestra que el modelo basado en GBR replica con precisión los perfiles de haz clínicos y supera significativamente a los modelos de haz simétrico convencionales. Este estudio presenta un método robusto y generalizable para incorporar efectos ánodo-cátodo en simulaciones de Monte Carlo mediante aprendizaje automático. Mejora el realismo de la simulación para aplicaciones de dosimetría clínica, evaluación de la calidad de imagen y protección radiológica, al permitir un modelado de haz preciso y dependiente de la energía utilizando datos de calibración limitados.
