基于深度学习的近距离放疗剂量自动优化：宫颈癌治疗中的剂量预测与逆向优化算法应用

针对宫颈癌近距离放疗(BT)中剂量分布复杂、计划质量依赖经验的问题，研究人员通过3D U-Net模型比较不同剂量归一化方法（平方根变换、对数及线性归一化）的预测效果，发现未处理剂量数据在DSC(0.94)、CI(0.74)、HI(0.49)指标上最优，结合梯度优化算法(GBPO)使膀胱/直肠/乙状结肠D2cc剂量显著降低2.09-2.98%，为BT自动化规划提供新范式。

　　

宫颈癌是全球女性第四大常见恶性肿瘤，2024年数据显示每年新增96.8万病例，66万人死亡。尽管外照射放疗(EBRT)联合近距离放疗(BT)是标准治疗方案，但BT剂量分布因施源器差异呈现陡峭梯度，传统计划依赖物理师经验调整驻留点权重，导致质量参差不齐。虽然深度学习(DL)在EBRT剂量预测中成效显著，但BT领域因剂量不均匀性及数据量有限进展缓慢。四川肿瘤医院团队在《Applied Radiation and Isotopes》发表研究，首次系统评估剂量预处理方法对DL模型性能的影响，并探索逆向优化算法的增效作用。

研究采用186例宫颈癌患者ICBT数据（施源器型号Nucletron 189.730），按150:18:18划分训练/验证/测试集。通过3D U-Net比较未处理剂量、平方根变换、对数及线性归一化四种方法的预测效果，采用DSC（Dice相似系数）、CI（适形指数）、HI（均匀性指数）评估。最优预测组经梯度优化算法(GBPO)二次优化，靶区D90%归一至6 Gy，分析OARs（危及器官）的D1cc/D2cc变化。

结果部分
剂量预测：未处理剂量组在三维剂量分布上呈现完美的"梨形"特征，其DSC(0.94)显著高于其他方法（对数组0.91），高剂量区靶区覆盖更均匀。
逆向优化效果：GBPO算法使膀胱、直肠、乙状结肠D2cc分别降低2.09%、2.14%、2.98%（p<0.05），仅小肠剂量轻微上升（D1cc+2.08%，P>0.05）。

结论与意义
研究发现DL模型可直接学习BT原始剂量分布物理特征，省去归一化步骤反而提升预测精度。结合GBPO算法实现"预测-优化"闭环，使OARs受量平均降低2-3%，且靶区D90%保持稳定。该成果为BT自动化规划提供两重突破：一是证实原始剂量数据作为输入的优越性，简化临床工作流；二是首创DL预测与逆向优化联用方案，推动个性化治疗发展。作者单位获得的四川省卫健委科研项目(24QNMP037)等基金支持，也体现了该研究向临床转化的重要潜力。