Trong bài báo này, chúng tôi phát triển một khuôn khổ dựa trên máy học để mô hình hóa chính xác hiệu ứng gót anode trong mô phỏng Monte Carlo của hệ thống hình ảnh đường __T93844_____. Chúng tôi huấn luyện một mô hình hồi quy đa biến để dự đoán sự thay đổi cường độ không gian dọc theo trục anode-cathode bằng cách sử dụng các trọng số thử nghiệm thu được từ các phép đo chùm tia ở các điện áp ống khác nhau. Các trọng số này nắm bắt được sự bất đối xứng do hiệu ứng anode-cathode gây ra. Chúng tôi thiết lập một giao thức tinh chỉnh có hệ thống để giảm thiểu số lượng phép đo cần thiết trong khi vẫn duy trì độ chính xác của mô hình. Chúng tôi triển khai các mô hình trong OpenGATE 10 và bộ công cụ GGEMS Monte Carlo để đánh giá tính khả thi tích hợp và hiệu suất dự đoán của chúng. Trong số các mô hình được thử nghiệm, Gradient Boosting Regression (GBR) đạt độ chính xác cao nhất, với lỗi dự đoán dưới 5% ở mọi mức năng lượng. Chiến lược tinh chỉnh được tối ưu hóa chỉ yêu cầu sáu vị trí máy dò cho mỗi mức năng lượng, giảm 65% nỗ lực đo lường. Lỗi tối đa do quá trình tinh chỉnh này gây ra là dưới 2%. So sánh các hệ số liều trong mô phỏng Monte Carlo cho thấy mô hình dựa trên GBR mô phỏng chính xác các cấu hình chùm tia lâm sàng và vượt trội đáng kể so với các mô hình chùm tia đối xứng thông thường. Nghiên cứu này trình bày một phương pháp mạnh mẽ và có thể tổng quát hóa để kết hợp hiệu ứng anode-cathode vào mô phỏng Monte Carlo bằng cách sử dụng học máy. Phương pháp này nâng cao tính chân thực của mô phỏng cho các ứng dụng trong đo liều lâm sàng, đánh giá chất lượng hình ảnh và bảo vệ bức xạ bằng cách cho phép mô hình hóa chùm tia chính xác và phụ thuộc vào năng lượng với dữ liệu hiệu chuẩn hạn chế.
