深度学习模型在微束放射治疗剂量图预测中的性能比较与优化研究

本研究针对微束放射治疗(MRT)中蒙特卡洛(MC)模拟计算耗时的问题，对比了基于图卷积网络(ReNN GU-Net)和三维卷积U-Net的深度学习剂量引擎。研究发现两种模型在整体剂量预测精度(MAE/MRE/δ-index)上相当，但ReNN GU-Net在空气腔体等低密度区域表现更优，为MRT治疗规划提供了高效精准的剂量计算新范式。

　　

微束放射治疗(Microbeam Radiation Therapy, MRT)作为一种创新的放疗技术，利用同步辐射产生的微米级X射线束实现超高剂量峰和低剂量谷的独特空间分布模式。然而，当前MRT临床前研究完全依赖蒙特卡洛(Monte Carlo, MC)模拟进行剂量计算，虽然精度高但耗时严重，单次模拟需数小时。更棘手的是，现有商业治疗计划系统(TPS)无法支持MRT，而传统解析算法在组织界面和微米级结构处误差高达20%。这种技术瓶颈严重制约了MRT从实验室向临床的转化进程。

为突破这一困境，研究人员开展了一项开创性研究，首次将递归最近邻图U-Net(ReNN GU-Net)应用于MRT剂量预测，并与传统三维U-Net进行系统对比。研究采用Geant4模拟生成的4569组大鼠头部数字体模数据，包含8×8 mm²微束场照射下的三维剂量分布。通过精心设计的对比实验，发现两种模型在整体精度指标(MAE=5.3×10^-3 vs 4.9×10^-3)和γ通过率(79% vs 79.3%)上不相上下，但ReNN GU-Net在空气腔体区域的绝对误差显著降低50%以上。这项发表于《Physica Medica》的研究，为MRT剂量计算提供了比MC快百万倍的AI解决方案。

关键技术方法包括：1) 基于Geant4构建大鼠头部数字体模数据集，包含峰值(50μm)和谷值(400μm)区域的宏体素剂量；2) 采用具有可学习边权重的图卷积网络(ReNN GU-Net)处理三维网格数据；3) 建立包含边界检测算法的评估体系，定量分析组织界面(密度突变区)和空气腔体的预测差异。

研究结果显示：在剂量分布预测方面，两种模型在肿瘤区域的δ-index通过率均超过90%，验证了深度学习替代MC模拟的可行性。特别在组织边界分析中，虽然两者在内部均质区的相对误差仅1.5%，但边界处升至13%，提示界面效应仍是预测难点。令人惊喜的是，ReNN GU-Net在喉部等空气腔体的MAE(3.7×10^-4)显著低于3D U-Net(6.9×10^-4)，其可学习边权重机制有效提升了低密度区的剂量计算精度。

执行效率对比揭示：3D U-Net单次预测仅需1.89ms，较ReNN GU-Net(3.54ms)更具速度优势。但后者通过创新的递归近邻池化(ReNN-Pool)技术，可灵活处理非均匀网格数据，为未来实现病灶区域高分辨率预测奠定基础。

这项研究的重要意义在于：首次证实图神经网络在放射治疗剂量预测中的独特价值，特别是对复杂解剖结构(如含气腔室)的适应性优势。虽然3D U-Net更适合常规场景的快速计算，但ReNN GU-Net展现的"精准医疗"潜力，为肺癌等涉及大量气腔组织的放疗方案优化提供了新思路。研究者建议，未来可开发混合架构，整合两种模型的优势，推动MRT治疗计划系统向实时化、个性化方向发展。