编辑推荐：
为优化放疗计划，研究人员针对多肿瘤类型开展深度学习模型剂量预测研究。使用 U-Net 等模型分析 622 例患者数据，发现模型预测与临床剂量相关性良好，“Best Selection” 法提升临床接受度，为放疗提效提供新路径。
放射治疗（RT）作为肿瘤治疗的关键手段，其精准性直接影响疗效与患者预后。强度调制放射治疗（IMRT）和容积旋转调强放射治疗（VMAT）虽能实现肿瘤精准打击，却面临计划设计耗时长、依赖经验丰富的剂量师反复调整等难题。如何快速生成高质量放疗计划，成为临床亟待突破的瓶颈。在此背景下，深度学习技术凭借其强大的数据分析与模式识别能力，为放疗剂量预测提供了全新思路。然而，现有研究多聚焦单一肿瘤类型，缺乏对深度学习模型在多肿瘤场景下的全面评估，难以满足临床多样化需求。
为填补这一空白，南京鼓楼医院的研究人员开展了一项具有开创性的研究，相关成果发表在《Radiation Oncology》。该研究旨在评估深度学习模型在多种肿瘤类型中的剂量预测效果，通过结合客观数据与主观评估，为临床应用提供更全面的参考。
研究人员采用了三个基于卷积神经网络（CNN）的深度学习模型：U-Net、Flex-Net 和 Highres-Net。研究对象为 622 例不同肿瘤患者，包括鼻咽癌（29 例）、食管癌（82 例）、左侧乳腺癌（107 例）、右侧乳腺癌（95 例）、根治性宫颈癌（84 例）、术后宫颈癌（122 例）和直肠癌（103 例）。数据按 6:2:2 比例分为训练集、验证集和测试集。通过剂量体积直方图（DVH）指标、归一化剂量差（NDD）进行定量分析，并由放疗科医生对测试集进行定性评估，同时采用 “Best Selection” 方法整合模型优势。
剂量预测的定量分析
在肿瘤靶区方面，鼻咽癌、乳腺癌和术后宫颈癌的肿瘤靶区 NDD 值均低于 3%，显示出预测剂量与临床剂量的高度相关性。具体来看，Highres-Net 在鼻咽癌的 D?参数预测中表现最优，U-Net 在食管癌 PTV 的 D?预测中偏差最小，Flex-Net 在左侧乳腺癌预测中准确性最高，Highres-Net 在右侧乳腺癌 D?预测中最接近临床剂量，U-Net 在宫颈癌（根治性和术后）预测中与临床剂量差异仅 0.31Gy，Flex-Net 在直肠癌的 D??和 D?预测中更贴近实际。
在危及器官（OARs）方面，鼻咽癌中 Flex-Net 高估了左侧晶状体的 D???，各模型均高估腮腺的 D????和 V??；食管癌中各模型对脊髓 D???和肺 V?、V??、D????预测无显著差异，但心脏 V??预测存在差异；乳腺癌中 U-Net 和 Flex-Net 高估脊髓 D???，Highres-Net 在右侧乳腺癌肺 V??预测中更准确；宫颈癌中各模型低估膀胱 D?cc，高估股骨头相关参数，术后宫颈癌中各模型低估肠道相关剂量参数；直肠癌中各模型低估肠道和结肠的 D?cc、V??和 V??，Highres-Net 的 D?cc 预测最接近临床值。
剂量预测的定性评估
鼻咽癌中 Highres-Net 的 A 级和 B 级评分最高，U-Net 存在 33% 的 D 级评分；食管癌中 Flex-Net 和 Highres-Net 表现相近，U-Net 以 B 级为主；乳腺癌中 Flex-Net 的 A 级评分最高，U-Net 和 Highres-Net 表现稍逊；宫颈癌（根治性和术后）中 U-Net 和 Flex-Net 的 A 级评分显著高于 Highres-Net；直肠癌中 Flex-Net 的 A 级评分达 76%，表现最佳。“Best Selection” 方法整合后，临床接受度提升至 62.6%，显著优于单一模型。
研究结论与意义
本研究系统评估了三种深度学习模型在多肿瘤类型中的剂量预测性能，证实了自动化剂量预测可为快速生成放疗计划提供可靠起点。不同模型在特定肿瘤类型中表现出独特优势，如 Highres-Net 在解剖复杂的鼻咽癌中更精准，Flex-Net 在结构相对简单的乳腺、直肠癌中更具优势，U-Net 在宫颈癌中表现突出。“Best Selection” 方法通过整合模型优势，进一步提升了预测准确性，为临床提供了更灵活高效的选择。
尽管研究存在单中心数据、模型可解释性不足等局限，但其首次在多肿瘤场景下全面评估深度学习模型，为放疗计划的智能化发展奠定了重要基础。未来，随着多中心数据的积累和模型技术的创新，深度学习有望进一步优化放疗流程，减轻医生负担，推动精准放疗迈向新台阶。
