在基于NTCP评估的眼部质子治疗中，结合机器学习预测结果进行注视优化

《MEDICAL PHYSICS》：Machine learning prediction-informed gaze optimization in ocular proton therapy with NTCP evaluation

眼科质子治疗（OPT）自动化治疗计划系统通过机器学习预测初始眼位，结合剂量-体积直方图与正常组织并发症概率（NTCP）模型，优化目标覆盖同时减少对视神经、黄斑等敏感组织的剂量。在36例临床验证中，92%自动方案优于或等同于临床方案，其中25%显示更优毒性控制，平均NTCP降低1%-4%。系统通过动态采样和成本函数平衡不同毒性风险，显著缩短规划时间至传统方法的10%。研究证实机器学习辅助的自动化眼位优化可提升治疗计划质量并减少人为偏差。

　　本文探讨了一种用于眼内质子治疗（Ocular Proton Therapy, OPT）的自动化治疗计划方法，旨在提高计划效率，减少治疗师的主观偏见，并提供与毒性风险相关的直观信息。传统的OPT治疗计划依赖于治疗师手动选择视点以优化眼球方向，从而减少对敏感眼组织的辐射暴露。然而，这种方法缺乏对眼球方向与毒性风险之间关系的明确量化，限制了其优化潜力。本文提出了一种结合机器学习（Machine Learning, ML）预测和定制化成本函数的计算方法，以实现对眼球方向的自动化优化。

在眼内质子治疗中，目标区域通常遵循眼球的曲面结构，并包含特定的高度以模拟眼科医生定义的肿瘤体积。治疗过程中，治疗师通过调整视点来确保目标覆盖的同时，尽量减少对周围健康组织的剂量。为了实现这一目标，本文引入了一种基于ML的视点预测算法，通过分析患者的解剖学特征，快速定位可能的优化方向。随后，利用一种定制化的成本函数，对多个候选视点进行评估，以确定最有利于健康组织保护的方向。该成本函数基于对健康组织剂量点的加权惩罚，这些剂量点与特定毒性风险相关，例如黄斑病变、视神经病变、新生血管性青光眼（NVG）、视网膜脱离和白内障等。

本文的研究数据基于来自瑞士保罗谢尔研究所（Paul Scherrer Institute, PSI）的36名患者，这些患者在2010年至2023年间接受了眼内质子治疗。这些患者的数据涵盖了广泛的解剖结构变化和肿瘤位置，从而确保了模型的多样性与代表性。研究团队利用自研的OCULARIS治疗计划系统进行剂量计算，并将其与从EyePlan导出的3D点云模型相结合，以模拟被动散射质子治疗中的剂量沉积情况。通过这种方式，OCULARIS能够更精确地识别剂量在健康组织中的分布，并支持对不同治疗方向的优化评估。

为了进一步提升效率，研究采用了有指导的视点采样策略。该策略以ML预测的视点为中心，对周围区域进行密集采样，而对远离预测点的区域则进行稀疏采样。这种分层采样方法在保持计算效率的同时，确保了对关键区域的充分覆盖。研究团队还构建了连续的2D成本图和毒性风险图，以帮助治疗师直观地评估不同视点对应的治疗效果。通过这种方式，治疗师可以快速识别那些在健康组织保护方面表现优异的治疗方向。

在评估方面，研究团队将自动计划与临床计划进行了对比，结果显示在92%的患者案例中，自动计划要么优于临床计划，要么与之相当。其中，25%的案例被评价为自动计划更优，67%的案例在毒性水平上与临床计划相当。此外，47%的案例中，自动计划在至少一个毒性指标上表现出1%以上的改进，而对其他毒性指标的影响可以忽略不计。这些结果表明，自动化方法不仅能够有效优化治疗计划，还能够减少治疗师的主观偏差，提高治疗的一致性和效率。

然而，研究也指出，目前使用的NTCP模型存在一定的不确定性。这些模型通常基于历史数据和临床经验，但在不同患者之间可能存在较大的预测差异。例如，某些NTCP值的标准差可能达到百分之几十，这可能影响对治疗效果的准确评估。因此，研究团队强调，未来需要进一步改进NTCP模型，通过引入更多临床数据和更复杂的机器学习架构，以提高预测的准确性。此外，研究还指出，由于患者解剖结构的多样性，目前的模型可能对某些特定类型的肿瘤（如位于眼球后极的肿瘤）表现出更高的优化能力，而对于其他类型的肿瘤（如位于前部的肿瘤）可能需要进一步的调整。

为了提高自动化计划的临床适用性，研究团队还探讨了如何将该方法整合到现有的治疗流程中。他们提出，治疗师可以利用自动计算的2D成本图和毒性风险图作为决策辅助工具，而不是完全依赖于自动化结果。这种结合方式既保留了治疗师的临床判断，又为他们提供了更全面的数据支持。治疗师可以根据这些图的反馈，选择是否接受自动计划，或者对权重参数进行调整，以更符合患者的具体情况。例如，某些情况下，治疗师可能需要优先考虑特定器官的保护，因此可以调整成本函数中的权重，以反映不同的临床优先级。

此外，研究还讨论了如何进一步优化治疗计划，例如通过调整楔形补偿器（wedge compensator）的位置，以提高目标适形性。目前的自动计划方法主要关注视点的选择，而楔形补偿器的优化可以进一步减少对健康组织的暴露。未来的研究可以探索如何将楔形补偿器的优化纳入到自动计划流程中，以实现更全面的治疗优化。此外，研究还提出，使用可变形视神经模型可以提高对不同视点下视神经位置变化的预测精度，从而增强剂量分配的准确性。

总的来说，本文提出了一种基于机器学习和成本函数的自动化治疗计划方法，该方法在眼内质子治疗中表现出良好的应用前景。通过减少手动选择的步骤，该方法不仅提高了治疗计划的效率，还为治疗师提供了更直观的毒性风险评估。尽管目前的模型仍存在一定的不确定性，但其在大多数患者案例中的表现表明，自动化方法可以成为眼科质子治疗的重要补充工具。未来的工作将进一步优化该方法，使其在临床实践中发挥更大的作用，同时减少对治疗师经验的依赖，提高治疗的标准化和一致性。