基于深度学习的多场景放疗个体化处方剂量预测模型构建与验证

本研究针对多放疗临床场景(MRCS)下个体化处方剂量预测难题，开发了整合密集连接卷积块的U-Net深度学习模型。通过将MRCS转化为个体化处方图像(IPImg)，结合三维欧氏距离(DT)计算，建立了189例肺癌患者数据驱动的预测框架。测试显示模型剂量差异平均绝对误差(MAE)降至3.73%，剂量体积直方图(DVH)指标误差≤5.77%，等剂量体积Dice系数(DSC)达0.86，显著优于忽略MRCS的基准模型(MAE 4.68%，DVH误差≤17.02%，DSC 0.81)，为临床决策提供了精准的剂量学参考。

　　

在精准医疗时代，放疗计划的个性化定制面临重大挑战。临床实践中，不同分期肺癌患者可能接受根治性放疗、同步放化疗、术前/术后放疗或联合免疫治疗等多场景(MRCS)方案，每种场景的靶区处方剂量和危及器官(OAR)约束标准差异显著。传统逆向计划设计依赖人工经验反复调试，耗时且难以保证质量。虽然已有基于距离-剂量关系的多元分析、图谱匹配和浅层人工神经网络(ANN)等预测方法，但存在特征提取繁琐、场景适应性单一、预测精度有限等缺陷。

中国医学科学院肿瘤医院团队在《Biomedical Signal Processing and Control》发表的研究，创新性地将深度学习应用于多场景放疗剂量预测。研究采用改进的U-Net架构，整合密集连接卷积/反卷积模块，通过2.5D切片训练策略（三相邻轴向切片输入）解决GPU内存限制。关键突破在于将MRCS转化为个体化处方图像(IPImg)，并建立其与三维欧氏距离(DT)的线性关系模型。数据集包含235例涵盖不同PTV位置（左/右肺、纵隔）和剂量约束的肺癌病例，随机分为训练集(150例)、验证集(38例)和测试集(47例)。

主要技术方法：采用Keras-TensorFlow框架，Xavier均匀初始化卷积核，Adam优化器(初始学习率10^-4)最小化均方误差，动态调整学习率（验证集10轮无改善则降至20%）和早停机制。性能评估指标包括剂量差异MAE、DVH参数MAE和等剂量体积DSC。

Results

• 剂量分布预测：整合IPImg的模型在测试集显示更优的剂量分布对齐，临床计划与预测剂量图差异δ直方图分布更集中，基线模型则普遍低估PTV剂量。
• 定量分析：IPImg模型剂量差异MAE 3.73% vs 基准模型4.68%；DVH指标MAE ≤5.77% vs ≤17.02%；等剂量体积DSC 0.86(0.84-1) vs 0.81(0.69-1)，所有比较p<0.05。

Discussion
研究首次实现了个体化处方信息与深度学习剂量预测的融合，突破现有AI模型仅适用于单一场景的限制。IPImg的引入使模型能自适应不同PTV处方剂量（如45-70 Gy）和OAR约束（如肺V20<30% vs <35%），这对临床决策具有双重价值：一方面为计划设计提供精准的剂量学参考，减少试错迭代；另一方面通过可视化预测结果，帮助医师评估处方目标的可行性。

Conclusions
该研究建立的MRCS适应性剂量预测框架，在保持U-Net结构优势的基础上，通过IPImg-DT关系建模实现了多场景泛化能力。相比传统方法，其预测精度提升30%以上，特别在复杂临床场景（如纵隔PTV合并免疫治疗）中优势显著。未来可扩展至其他癌种，推动AI辅助放疗计划设计的标准化进程。作者Zhiqiang Liu等指出，该技术有望缩短计划设计周期50%以上，并为基层医院提供专家级质量保障。