剂量自适应神经网络DoseNet：基于放疗计划的腮腺形变预测新方法

这篇研究创新性地提出DoseNet神经网络，通过整合放疗剂量（RT）与CT影像数据，实现腮腺（PGs）形变的精准预测。采用分剂量输入策略和多尺度交叉注意力机制，有效解决剂量分布偏态问题，并首创剂量-体积变异（DVV）曲线为放疗计划优化提供可视化工具。在58例鼻咽癌（NPC）患者数据中取得82.2%的Dice系数，显著提升自适应放疗（ART）中器官保护能力。

　　

Highlight

本研究通过DoseNet模型成功建立放疗剂量（RT）与腮腺（PGs）形变的动态关联，突破传统仅依赖CT影像的预测局限。创新性采用分剂量输入策略（左/右PGs剂量区+非PGs区）和OAR交叉注意力模块，显著提升模型对剂量敏感性的捕捉能力。

Method

如图1(a)所示，模型通过分割剂量图与基线CT生成三维形变场（DVF），采用多尺度特征融合技术强化PGs解剖结构与受照剂量的关联。独创的剂量数据增强方法有效缓解临床数据中高剂量样本的分布偏差。

Results and analysis

实验表明DoseNet在58例NPC患者数据中表现优异：Dice系数达82.2%，体积差异率仅12.2%。图9展示其临床整合路径——预测形变场可提前优化放疗计划，减少PGs受照剂量（如平均降低15Gy）。

Discussion

剂量-体积变异（DVV）曲线首次实现PGs体积变化与剂量梯度的动态可视化，为临床制定"剂量-形变"平衡方案提供量化工具。但模型在超低剂量（<20Gy）样本的预测精度仍有提升空间。

Conclusion and limitation

本研究证实剂量自适应预测在ART中的临床价值，但当前数据规模（58例）和剂量分布均衡性仍需扩展。未来将探索多模态数据融合以提升超低剂量区的预测鲁棒性。