目的基于患者的剂量验证是调强放射治疗（IMRT）中的一项重要工作,目前临床上普遍采用测量实际剂量γ通过率的方法,来确保IMRT剂量传递的准确性,该方法耗费大量的时间和人力。我们应用了一种基于神经网络的机器学习的方法来建立预测IMRT-QA γ通过率的数学模型,该模型使用鼻咽癌病例的QA测量数据集进行训练和评估,在测量之前通过该神经网络模型计算出γ通过率,来提早发现失败的IMRT计划并进行干预,从而形成新方法,提高临床工作效率,大大减少患者等待治疗的时间。方法1.收集了临床上105例鼻咽癌动态调强病例,采用同步加量9野均分动态调强方案,制定验证计划。2.采用mapcheck2商用半导体矩阵测量945个射野,得到2%/2mm、2%/3mm、3%/2mm和3%/3mm（10%阈值和全局归一）四个标准的γ通过率。3.提取放疗计划中跟射野复杂性相关的22个指标,选择其中跟测量相关的指标作为神经网络学习的输入特征。4.对四个标准分别建立神经网络预测模型,将测量数据中90%的数据用来训练剂量验证预测模型,剩余10%数据作为测试数据来评价最终的模型性能,探讨模型在实际工作中的应用。结果1.实际对比表明,四个标准（2%2mm,2%3mm,3%2mm,3%3mm）的γ通过率最大偏差分别为 3.0%,1.9%,2.2%,2.0%,平均误差为 1.78%,0.71%,0.83%,0.39%,其中2%2mm的平均误差大于1.0%和最大误差接近3.%,其他三个标准测量标准差均小于1%,测量最大误差小于3.0%。2.鼻咽癌放疗计划提取的22个指标中有19个跟测量的γ通过率的相关性有统计学意义（P＜0.001）。3.在四个标准中测试集中预测值和测量值的平均值和中值的差异均小于1.00%。BP模型测试集中4个标准的测量值和预测值的Spearman相关系数分别为0.84（2%/2 mm）、0.68（3%/2 mm）、0.65（2%/3 mm）和 0.61（3%/3 mm）（P＜0.001）。4.训练得到模型在测试集中2%2mm、2%3mm、3%2mm和3%3mm四个标准的最大误差分别为4.1%、3.2%、2.8%和2.77%。结论基于计划射野复杂性特征建立的BP神经模型可以对不同标准γ通过率进行准确的预测,能够适应未来不同的评价标准,通过这个模型还可以起到帮助物理师改进IMRT QA工作流程,提高工作效率的作用。