弧长变化对深度学习预测肺癌立体定向消融放疗中监测单元的影响研究

为解决多病灶肺癌立体定向消融放疗(SABR)中监测单元(MU)预测的精度问题，研究人员开展了一项探讨弧长变化对深度学习(DL)模型性能影响的研究。通过对比同弧长(same-nCP)、异弧长(diff-nCP)及混合弧长(all-nCP)训练模型的预测效果，发现all-nCP模型将MU预测误差降至5.5%以下，γ通过率(3%,2mm)达100%。该研究为AI自动化放疗计划系统提供了关键参数优化策略。

　　

肺癌作为全球高发恶性肿瘤，其精准放疗面临巨大挑战。立体定向消融放疗(Stereotactic Ablative Radiation Therapy, SABR)通过高剂量聚焦照射可有效控制早期肺癌病灶，但多病灶治疗时剂量分布的精确调控成为临床难题。传统放疗计划优化需数小时迭代计算，而监测单元(Monitor Units, MU)作为剂量强度的核心参数，其预测精度直接影响治疗效率。尤其当采用部分弧(partial arcs)技术保护对侧器官时，弧长差异导致的MU模式变异更使自动化预测面临挑战。

Peter MacCallum Cancer Centre的研究团队在《Physica Medica》发表的研究中，创新性地探讨了弧长变化对深度学习预测MU/控制点(Control Point, CP)的影响。研究纳入2019-2024年间257例患者的295次治疗数据（含单病灶228例、双病灶24例、三病灶5例），构建了三个深度学习模型：same-nCP（固定弧长）、diff-nCP（异弧长等样本量）和all-nCP（异弧长扩增样本）。通过对比预测MU转换的meterset weight（计量权重）与临床数据的差异，结合γ通过率(γPR)和临床目标达成率评估模型性能。

关键技术包括：1）基于60,720个样本的深度学习训练；2）采用内部靶体积(Internal Gross Target Volume, IGTV)和计划靶体积(Planning Target Volume, PTV)的剂量学评估；3）γ通过率(3%,2mm)分析；4）28Gy/1次或48Gy/4次的剂量方案验证。

【结果】
Abstract：all-nCP模型展现最优性能，meterset weight和MU预测误差分别<5.5%和<5.3%，显著优于same-nCP/diff-nCP模型(8.3%/7.1%)。
Introduction：证实弧长变异是影响MU模式的关键因素，异弧长训练使样本量提升40%。
Methods：临床数据验证显示all-nCP模型的γPR中位数达100%，所有模型均实现临床目标数≥原计划。
Discussion：首次证明异弧长数据整合可增强模型泛化能力，为多病灶SABR的AI计划系统建立新范式。

该研究突破传统AI放疗计划对固定弧长的依赖，通过异弧长数据融合既提升预测精度（γPR提升0.6个百分点），又解决肺癌SABR样本稀缺的瓶颈。其建立的MU/CP预测框架，为单次多病灶放疗(single-visit treatment)的自动化奠定基础。研究同时揭示，剂量分布优化中MU模式与弧长的非线性关系，为后续生物效应导向的智能放疗提供新思路。