利用人工智能进行质子放射成像解读，以检测质子治疗中的偏差

《Physics and Imaging in Radiation Oncology》：Proton radiography interpretation with artificial intelligence for treatment deviation detection in proton therapy

质子放射学（PR）结合卷积神经网络（CNN）可有效检测治疗偏差，支持自适应质子放射治疗（APT）工作流。研究通过模拟患者定位误差、解剖结构变化和CT校准曲线误差，训练EfficientNet-v2-M模型识别14类偏差，并在合成数据（97%精度）和22例临床数据（86%精度）中验证其高泛化能力，为实时剂量监控提供工具。

　　这项研究围绕一种人工智能（AI）驱动的质子放射成像（Proton Radiography, PR）工具展开，旨在提高质子治疗中治疗偏差的自动检测能力。质子治疗因其能够更精确地将辐射剂量集中在肿瘤区域，从而减少对健康组织的损伤，已被广泛应用于多种癌症的治疗。然而，实际治疗过程中可能遇到多种不确定性因素，例如患者定位误差、解剖结构变化、质子射程估计误差等，这些都会影响治疗的剂量分布，进而降低治疗效果。为了应对这些挑战，适应性质子治疗（Adaptive Proton Therapy, APT）应运而生，通过在治疗过程中实时监测和调整计划来弥补这些不确定性。

质子放射成像作为一种新兴的成像技术，能够直接提供质子射程的信息，为检测治疗偏差提供了强有力的工具。在本研究中，研究人员开发并评估了一种基于人工智能的质子放射成像工具，该工具能够自动解析和分类治疗偏差的来源，从而支持APT流程中的实时调整和质量控制。这一工具的核心在于利用深度学习算法对质子射程偏移图（Range Shift Maps, RSMs）进行分析，快速识别出可能影响治疗效果的偏差类型。

研究团队使用了来自32名头颈癌患者的计算机断层扫描（Computed Tomography, CT）图像，通过合成修改来模拟临床中常见的治疗偏差。这些偏差包括患者定位误差（setup errors）、CT校准曲线误差（calibration curve errors）以及解剖结构变化（anatomical changes）。具体而言，定位误差在前-后（AP）和下-上（IS）方向上模拟了±2至±4毫米的偏移；校准曲线误差则在脂肪、软组织和骨组织中分别引入了±3至±5%和±7至±11%的密度变化；解剖变化则通过自建的解剖变形算法（Anatomical Deformation Algorithm, ADA）模拟了颈部的膨胀和收缩，以反映患者体重变化带来的影响。此外，还有22名实际接受过计划调整的患者数据用于外部验证，以测试该工具在真实临床环境中的表现。

为了生成质子放射成像数据，研究团队使用了OpenREGGUI这一基于MATLAB的平台，模拟了覆盖头颈部区域的260×260毫米的质子放射成像（PR）图像。通过将这些图像与实际测量数据进行比较，研究人员评估了质子射程估计的准确性。同时，生成的质子射程偏移图被用作卷积神经网络（Convolutional Neural Network, CNN）的输入，以进行多标签分类任务。CNN模型基于EfficientNet-v2-M架构，该架构因其在多种图像分类任务中的高效性和良好的泛化能力而被选用。

在合成数据集上，该模型表现出了极高的分类性能，达到了97%的精确度、92%的召回率、93%的F1分数以及92%的F2分数。在外部临床数据集上，尽管数据来源更为复杂，模型依然保持了较高的准确率，包括86%的精确度、88%的召回率、86%的F1分数和87%的F2分数。这些结果表明，该AI工具在模拟数据和真实临床数据之间具有良好的泛化能力，能够有效识别多种类型的治疗偏差。

模型的设计考虑到了临床应用的实际情况，例如在真实治疗过程中，医生需要快速判断是否需要调整治疗计划或进行额外的影像检查。为了实现这一目标，AI工具不仅能够识别偏差的存在，还能对其类型进行分类，如定位误差、解剖变化或CT校准误差。这种多标签分类能力使得AI工具能够为医生提供更全面的信息，从而支持更精准的临床决策。

此外，研究团队还对模型的推理速度进行了评估。在合成数据集上，该模型能够在每张图像不到一秒的时间内完成分类任务，这为实时监测和调整提供了技术基础。模型的推理速度不仅依赖于算法本身的设计，还与数据预处理和输入格式密切相关。例如，RSM图像经过了Z-score归一化处理，以减少不同图像之间的差异对模型性能的影响。同时，为了应对类别不平衡的问题，研究团队还采用了类别的意识增强（class-aware augmentation）技术，生成更多样化的训练样本，从而提高模型的鲁棒性。

尽管该模型在分类任务中表现优异，但其仍存在一些局限性。例如，它无法区分同一类别中不同偏差的严重程度，即无法识别出不同幅度的偏差。这意味着，虽然模型能够识别是否存在某类偏差，却无法判断偏差的具体程度，从而可能影响后续的治疗调整决策。为了解决这一问题，研究团队建议可以引入额外的回归头（regression head）或改进模型结构，以实现对偏差幅度的感知和分类。

另一个限制是，该模型无法检测出患者特有的RSP（Relative Stopping Power）偏差。RSP偏差指的是不同组织对质子射程的影响存在个体差异，而当前模型主要针对的是CT校准曲线的误差，即基于Hounsfield单位（HU）与密度之间的转换误差。因此，模型在识别这些误差方面表现良好，但在检测患者特有的RSP偏差时存在局限性。这表明，未来的研究可能需要进一步优化模型，使其能够识别更广泛的偏差类型，包括那些由个体差异引起的误差。

此外，研究团队还指出，当前的模型并未涵盖所有可能的临床场景。例如，旋转误差和鼻腔填充变化等场景未被模拟。然而，这些场景可以通过其他方法进行补充，如使用van de Water等提出的方法，对CT图像中的黏膜层进行变量设定，以模拟鼻腔填充状态的变化。这种方法不仅能够扩展模型的应用范围，还能更全面地评估不同解剖变化对质子射程的影响。

在实际应用中，该AI工具可以嵌入到APT的工作流程中，用于快速检测和分类治疗偏差。在治疗前，通过质子放射成像模拟，医生可以获取患者当前解剖结构的详细信息，并基于这些信息进行治疗计划的调整。AI工具的自动分类功能可以显著减少医生的工作负担，提高治疗计划调整的效率。同时，它还可以作为决策支持工具，为医生提供关于是否需要进行进一步的质子射程质量控制（range probing quality control, RP-QC）测量的建议，例如在特定的治疗周期内进行测量，以验证CT数值的准确性。

AI工具的快速响应能力对于适应性质子治疗的实时调整至关重要。在当前的临床实践中，APT流程通常需要在患者保持在治疗床上的情况下完成，这意味着任何延迟都可能影响治疗的连续性和效率。因此，该工具能够在短时间内完成偏差识别和分类，为医生提供了及时的反馈，从而支持快速的临床干预。

总体来看，这项研究展示了AI技术在质子治疗领域的巨大潜力。通过将深度学习模型应用于质子放射成像数据，研究人员成功开发出一种高效的自动偏差识别工具，能够在短时间内提供可靠的分类结果。这种工具不仅能够提高治疗计划的准确性，还能支持更灵活的适应性治疗策略，从而改善患者的治疗体验和治疗效果。然而，研究团队也强调，该工具在实际应用中仍需进一步优化，以应对更多复杂的临床场景和个体差异。未来的研究可以结合更多的临床数据，探索如何在不同患者群体中实现更精确的偏差检测和分类，从而推动AI技术在质子治疗中的广泛应用。