基于深度学习的在线自适应IMPT点剂量生成方法：在临床应用系统中的实现及技术可行性分析

《Radiotherapy and Oncology》：Deep learning-based spot weight generation for online adaptive IMPT: implementation and technical feasibility on a clinical delivery system

　　

摘要

目的

探讨基于深度学习的方法生成强度调制质子治疗（IMPT）斑点权重的可行性，以实现更快速、更自动化的工作流程。

方法

使用一个具有掩码平均绝对误差损失的三维注意力U-Net模型，从四个输入通道（优化后的计划剂量、参考剂量、CT图像和斑点掩模）生成斑点权重，以计划中的斑点权重作为标签，并在前列腺、大脑和肺部病例上进行训练和测试。仅通过靶区剂量指标评估了模型的鲁棒性。该工作流程在Eclipse?治疗计划系统中得到了验证，并在ProBeam 360°系统上进行了实施。

结果

对于0–5范围内的权重，前列腺和大脑模型的平均绝对误差均低于0.8（分别占所有权重的15.9%和48.1%），肺部模型的平均绝对误差低于1.7（31.2%）。前列腺模型的平均相对误差低于10%（5–65的权重范围，占83.7%），大脑模型为20%（5–65的权重范围，占51.7%），肺部模型为40%（5–110的权重范围，占68.6%）；其余权重超出这些范围，占总权重的不到0.5%。在体内轮廓内的伽马通过率（2毫米，10%剂量阈值）分别为：前列腺模型99.73 ± 0.32%，大脑模型98.95 ± 0.86%，肺部模型92.75 ± 3.52%。所有实际执行的计划均符合临床质量保证标准。

结论

所提出的框架证明了使用深度学习生成IMPT斑点权重并在临床系统中实施的技术可行性。对于肺部等异质性部位，还需要进一步的改进。

引言

质子治疗通过最小化对周围正常组织的剂量同时最大化对肿瘤的剂量，显示出显著的治疗效果[1]、[2]、[3]。然而，优化强度调制质子治疗（IMPT）计划是一个耗时较高的过程，涉及许多手动步骤[4]。为了实现最佳剂量分布，IMPT计划通常需要多轮优化（图1a）。治疗过程中的解剖学和生理变化可能会破坏原始计划[5]、[6]。因此，鲁棒优化和自适应质子治疗变得越来越重要，这推动了对快速、自动化自适应计划工作流程的需求[7]、[8]、[9]、[10]、[11]、[12]。

计算能力和深度学习的进步为放射治疗任务（如图像生成、结构勾勒和剂量预测）提供了有效的模型[13]、[14]、[15]、[16]、[17]、[18]。这导致了一种新的工作流程（图1b），其中剂量预测使用深度学习模型来估计理想的剂量分布，随后剂量模仿优化可执行计划以再现该分布[19]、[20]。研究表明，这种工作流程比传统方法更节省时间和劳动力[21]、[22]、[23]、[24]。然而，尽管商用TPS中的剂量模仿可以生成临床可接受的计划，但其效率仍受到不同解剖部位结构复杂性的限制。此外，模仿策略和参数设置的变化会显著影响计划的鲁棒性，限制了其在未来在线自适应质子治疗中的适用性[25]、[26]、[27]、[28]。

鉴于深度学习在解决这些问题方面的潜力，它是一个有前途的替代方案。2022年，Zhang等人探讨了使用机器学习微调斑点权重的可行性，假设现有单场优化（SFO）计划的剂量影响矩阵保持不变[29]。虽然现有方法允许深度学习模型根据剂量差异微调权重来优化计划，但我们的目标是实现一种更先进的方法：直接从理想预测剂量生成鲁棒质子计划的斑点权重。如图1c所示，这种策略绕过了剂量模仿，旨在实现更快、更灵活的自动化治疗计划工作流程。

基于这些考虑，本研究探讨了使用基于患者理想剂量分布的深度学习模型生成鲁棒质子治疗计划斑点权重的可行性。为了反映一个常见的临床起点，本研究采用了带有SFO的IMPT，并评估了大脑、肺部和前列腺癌病例。模型生成的计划也使用ProBeam 360°质子治疗系统进行了验证。这种方法可以加速质子治疗计划，减轻传统工作流程中计划人员的工作负担，并可以与自动化轮廓分割、合成CT生成和剂量预测结合，朝着完全自动化的自适应质子治疗方向发展。

章节摘录

数据与预处理

收集了95名前列腺患者、80名脑肿瘤患者和100名肺癌患者的数据（队列、束流配置和PTV体积见补充表S1）。由于研究的回顾性质，华中科技大学同济医学院联合医院的伦理委员会免除了知情同意的要求（[2023] IEC (254)）。每个样本都遵循了相同的流程（详细理由见补充附录1）：首先，CT图像

结果

首先，分析了所有测试样本中生成权重的数值偏差（图3：上部面板显示不同权重值下生成权重与标签权重之间的平均误差；下部面板显示标签权重的频率分布）。对于所有解剖部位，权重主要集中在低值范围内（≤50），而较高权重仅偶尔出现，并且与较大的偏差相关。对于0–5范围内的权重，平均绝对误差

讨论

本研究介绍了一种深度学习方法，该方法将理想剂量分布转换为IMPT计划权重，旨在简化临床计划工作流程。通过学习剂量分布到计划权重的直接映射，所提出的方法提供了基于剂量模仿优化的有效替代方案，并可能支持自动化和自适应质子治疗计划工作流程的发展。

对生成权重的评估（图3）显示，前列腺模型实现了

结论

本研究介绍了一种基于深度学习的方法，用于直接生成IMPT计划权重，所需计算时间和用户干预最少。结合剂量预测，所提出的框架为实现自动化和自适应质子治疗计划提供了一条潜在途径。然而，其性能在不同解剖部位之间存在差异：在均匀组织中，模型具有较高的准确性；而在异质组织中，模型的准确性不足，需要

CRediT作者贡献声明

Bo Pang：撰写——初稿，正式分析，数据管理，概念构思。Hong Quan：方法学，概念构思。Tian Li：软件，正式分析。Heng Li：撰写——审阅与编辑，方法学。Minglei Kang：方法学，概念构思。Lian Zhang：方法学。Yangguang Ma：方法学。Muyu Liu：方法学，数据管理。Shuoyan Chen：方法学，数据管理。Qi Zhang：可视化，方法学。Hexiao Wang：方法学。Cong He：方法学。Xu Liu：方法学。

知情同意和患者信息

所有参与者或他们的法定代表均已获得参与研究并发表文章的口头知情同意。由于研究的回顾性质，华中科技大学同济医学院联合医院的伦理委员会免除了知情同意的要求（[2023] IEC (254)）。参与者的隐私权得到了尊重。

人类研究

本研究遵循了进行研究所在地区的相关法律、监管框架和指南。本研究获得了华中科技大学同济医学院联合医院伦理委员会的批准（批准编号[2023] IEC (254)）。

资金声明

本研究得到了中国国家自然科学基金（资助编号82572385和湖北省自然科学基金（资助编号2024AFB120）以及湖北省科技厅-联合影像创新发展基金项目（编号2026AFC1380的支持。

数据共享声明

数据可应要求提供给相应的作者。

利益冲突声明

作者声明他们没有已知的可能会影响本文报道工作的财务利益或个人关系。

Bo Pang|Hong Quan|Tian Li|Heng Li|Minglei Kang|Lian Zhang|Yangguang Ma|Muyu Liu|Shuoyan Chen|Qi Zhang|Hexiao Wang|Cong He|Xu Liu|Qianqian Lin|Hao Cai|Yu Chang|Kunyu Yang|Zhiyong Yang

中国湖北省武汉市华中科技大学同济医学院联合医院放射肿瘤学研究所精准放射肿瘤学重点实验室