基于日志文件和WingsNet模型的调强放疗患者特异性三维剂量分布预测新方法

《Radiation Oncology》：Prediction of three-dimensional dose distribution for patient-specific quality assurance based on log files using WingsNet

本研究针对调强放疗(IMRT)患者特异性质量保证(QA)中三维(3D)剂量验证的难题，开发了一种基于治疗机日志文件和WingsNet深度学习模型的创新方法。研究人员利用286例肺癌患者数据，将日志文件记录的MLC位置、机架角度和MU等参数转换为3D体积数据，结合CT和结构信息，成功预测了与治疗计划系统(TPS)计算结果高度一致的3D剂量分布。该方法为IMRT QA提供了一种高效、准确的3D剂量验证工具，显著提升了放疗质量保证的自动化和精准化水平。

　　

在当今的癌症治疗领域，调强放疗(IMRT)因其能够实现高度适形的剂量分布而成为主流技术。它能够精准地将高剂量照射到肿瘤靶区，同时最大限度地保护周围的正常组织和危及器官(OAR)。然而，这种技术的复杂性也带来了新的挑战——治疗计划执行的准确性直接关系到治疗效果和患者安全。传统的二维(2D)质量保证(QA)方法无法全面评估三维空间内的剂量分布，而现有的三维验证方法又存在计算复杂、耗时长、成本高等局限性。

目前，大多数放疗中心仍然依赖于测量为基础的QA方法，这些方法虽然能够检测出一些明显的误差，但难以全面反映实际治疗中可能出现的所有问题。特别是在IMRT治疗中，多叶准直器(MLC)的微小位置偏差、剂量率的波动等因素都可能对最终的剂量分布产生显著影响。因此，开发一种能够快速、准确预测三维剂量分布的新方法，对于提高放疗质量和患者安全具有重要意义。

黄莹等研究人员在《Radiation Oncology》上发表的研究，正是针对这一临床需求开展创新性探索。他们开发了一种名为WingsNet的深度学习模型，通过解析治疗过程中记录的日志文件参数，实现了对患者特异性三维剂量分布的准确预测。

研究方法上，团队回顾性收集了286例接受60 Gy/30次处方剂量治疗的肺癌患者数据，其中242例用于模型训练，44例用于测试。关键技术创新在于将Varian加速器记录的动态日志文件（包含MLC位置、监视器单位(MU)和机架角度等参数）通过Pylinac软件转换为二维通量图，再采用基于三维数字微分分析器(3D-DDA)的射线追踪算法生成三维体积数据。结合患者的CT图像和结构轮廓，所有数据统一重采样至128³维度后输入WingsNet模型，以TPS计算的三维剂量分布作为训练目标。该网络采用分组监督架构，包含18个卷积块，有效解决了梯度消失和爆炸问题。

比较参考和预测剂量分布

研究结果显示，WingsNet模型预测的三维剂量分布与参考分布高度一致。视觉上，等剂量线分布吻合良好，剂量差异主要出现在体表边缘区域，这源于模型训练时将学习范围限定在体内区域。

剂量剖面曲线分析进一步证实了预测准确性，在剂量峰值区域（约80%处方剂量），预测曲线与参考曲线的偏差小于2%，表明在关键治疗区域具有高预测精度。然而，在高梯度剂量变化区域，模型表现出较大的数值偏差。

不同感兴趣区域(ROI)的误差分析

模型在不同区域的性能评估显示，全剂量范围内的平均绝对误差(MAE)为0.39±0.12，均方根误差(RMSE)为8.49E-5±3.91E-5，表明整体预测精度良好。但在计划靶区(PTV)内，MAE和RMSE分别升至1.27±0.15和1.70±0.22，反映了高剂量区域预测的挑战性。

Bland-Altman分析表明，大多数PTV剂量数据点落在95%一致性界限内，验证了预测剂量与参考剂量的一致性。

剂量体积直方图(DVH)统计评估指标

DVH参数比较显示，除PTV指标和左肺的V₂₀和D_mean外，预测剂量分布与参考剂量分布在危及器官的剂量学参数上无统计学显著差异。尽管PTV参数存在显著差异，但差异幅度较小，临床可接受。

剂量体积直方图曲线对比显示，除脊髓最大剂量值外，预测剂量分布的DVH曲线与参考曲线高度吻合，证实了模型在患者体内剂量分布预测的准确性。

参考和预测剂量分布的等剂量比较分析

等剂量线分布可视化显示，随着剂量水平增加，等剂量线变得更加集中和精细。低剂量区分布广泛，高剂量区则集中在靶区内，显示较高的剂量梯度。

Dice相似系数(DSC)分析揭示了剂量水平依赖性的变化趋势：随着等剂量线水平提高，参考和预测剂量分布间的一致性逐渐下降。低剂量水平(如10 Gy、20 Gy)的DSC较高(约0.96和0.95)，而高剂量水平(如57 Gy、60 Gy)的DSC显著降低至约0.92和0.90，表明模型在高剂量情况下的准确性有所下降。

研究结论表明，WingsNet模型能够基于日志文件参数准确预测IMRT的三维剂量分布，为患者特异性QA提供了一种创新工具。该方法避免了昂贵的三维剂量验证工具采购成本，且通过迁移学习可使各放疗中心快速建立适合自身的预测模型，显著提高了时间效率。

尽管该研究目前仅针对肺癌病例，且在高剂量PTV区域存在一定误差，但其开创性的方法为放疗QA的自动化和精准化提供了新思路。未来通过模型优化和多中心验证，这一技术有望在临床实践中广泛应用，最终提升放疗质量保证水平和患者治疗效果。

这项研究的重要意义在于，它将日志文件这一现有资源与先进的深度学习技术相结合，实现了从传统测量验证向计算预测的转变，为智能放疗QA系统的发展奠定了坚实基础。随着技术的进一步完善和推广，这种基于人工智能的三维剂量预测方法有望成为放疗质量保证的新标准。