《Applied Radiation and Isotopes》：Dose-prediction generalization: Evaluating CNNs on previously unseen patient anatomies and radiation field geometries
编辑推荐：
•数据的选择旨在平衡简单性与信息的充分性。•卷积神经网络可以成为通用的剂量预测工具。•良好的性能不需要庞大或高度多样化的数据集。•卷积神经网络能够很好地适应未见过的场景。•模型训练中的能耗问题可以通过有效的数据选择来降低。引言人工智能是一项新兴技术，正在迅速获得广泛应用。在医
- •
数据的选择旨在平衡简单性与信息的充分性。
- •
卷积神经网络可以成为通用的剂量预测工具。
- •
良好的性能不需要庞大或高度多样化的数据集。
- •
卷积神经网络能够很好地适应未见过的场景。
- •
模型训练中的能耗问题可以通过有效的数据选择来降低。
引言
人工智能是一项新兴技术，正在迅速获得广泛应用。在医学领域，它提高了诊断方法的准确性和效率。在医学物理领域，除了辅助危及器官和目标体积的勾画外，人工智能还被研究用于自动化治疗计划制定和开发剂量计算算法。
在卷积网络发展之前，已有研究探索使用机器学习算法来自动化治疗计划。这些方法被称为基于知识的计划，它们利用此前已接受的计划来为到来的患者生成新计划（Shiraishi等，2015；Nwankwo等，2015；Chin Snyder等，2016；Wu等，2017）。此类算法的输出仅限于剂量体积直方图，且特征提取严重依赖用户的专业知识。
随着卷积网络的出现以及人们认识到剂量分布本质上具有图像特征，研究重心转向了深度学习和卷积架构在剂量分布预测中的应用。Nguyen等人研究了使用深度学习预测放疗剂量分布的可行性（Nguyen等，2019）。Nguyen采用了一种2D U-Net作为预测模型，该网络最初是为医学图像分割开发的（Ronneberger等，2015）。该研究的训练数据包括患者的CT图像以及计划靶体积和相邻器官的二值掩模作为输入，加上此前已批准的剂量分布。该网络能够为PTV区域生成2D剂量分布。其结果表明，人工智能具有潜力成为治疗计划中剂量分布生成的工具。
在此概念引入之后，后续研究提出了各种网络架构——包括生成对抗网络、卷积网络和transformer——以生成2D和3D的光子与质子剂量分布。在所有这些工作中，网络均使用此前已批准的剂量数据训练，因此继承了数据访问受限这一共同局限。此外，每个模型都是在特定解剖部位的数据上训练的，限制了其在同一部位剂量预测中的适用性。值得注意的是，这些方法未纳入显式的束流几何信息（Ma等，2019；Zhang等，2019；Kearney等，2020；Lempart等，2021；Mashayekhi等，2022；Xing等，2020；Babier等，2020；Li等，2021；Murakami等，2020；Wu等，2021；Pastor-Serrano和Perká，2022）。
在其他研究中，人们尝试通过纳入辐射场几何和剂量学信息来提高预测精度。Zhou等人不仅使用代表患者解剖结构的二值器官掩模训练了一个3D U-Net模型，还使用了束流特定参数（Zhou等，2020）。在他们基于3D U-Net的模型中，Kontaxis等人纳入了五个物理信息输入通道：（1）患者内的束流路径表示、（2）源到体素的距离、（3）横向剂量扩散核、（4）放射深度和（5）组织电子密度（Kontaxis等，2020）。Liang等人使用四个输入通道训练了一个3D U-Net：CT图像、射野图、放射深度信息和源到体素的距离。用作训练目标的剂量分布是在治疗计划系统中生成的（Liang等，2024）。Li等人使用19个输入通道训练他们的U-Net模型。这些输入包括CT图像、PTV掩模以及17个额外的周围器官掩模。这17个掩模对应于分割的器官，每个器官都填充了各自的剂量耐受值，从而将剂量学信息整合到网络训练中（Li等，2023）。Gou等人使用3D矩阵和标量输入的组合训练了一个3D U-Net模型。在他们的研究中，CT图像和二值器官掩模作为3D矩阵提供，而机架角度和床的位置作为数值提供。他们使用matRAD软件生成了剂量分布数据，从而消除了与临床数据访问相关的局限性（Guo等，2023）。
在这类研究中，除了患者特定的解剖结构和目标体积数据外，辐射几何和剂量学信息也被纳入了网络训练。这些特征的增加增加了输入数据的复杂性及其预处理阶段。
所有先前研究均表明，卷积神经网络具有预测剂量分布的能力，并代表了一种有潜力演变为剂量计算算法的工具。旨在进一步完善这些架构的研究仍然前景广阔。对这些研究的回顾揭示了两个尚未得到充分解决的问题：首先，卷积模型是否能够演变为一个不依赖于治疗部位的剂量计算算法，或者是否需要为每个治疗部位开发单独的模型；其次，训练数据是否必须非常庞大和多样才能达到令人满意的模型性能。相反，这些研究的重点是模型架构和输入数据的信息内容以提高性能。至关重要的是，模型对未见条件的泛化能力并未得到评估。生成大量且高度多样化的数据集需要大量的时间和能量。此外，在如此大规模数据上训练模型需要大量的硬件资源和高能耗（Ordonez和Macyna，2024；Ordonez等，2024）。在面临气候变化和存在环境风险的世界里，能耗——推动全球变暖并加剧气候变化的因素——绝不能被忽视。在人工智能发展的背景下，人们担心除了其好处之外，日益增长的能耗可能会产生不利影响。本研究旨在评估使用有限且非穷尽的训练数据集卷积模型的泛化能力，并评估其在此前未见条件下的预测性能，包括新的束流几何和解剖配置。通过研究这些分布外条件下的模型性能，本研究旨在确定卷积模型是否能够在有限且非穷尽训练数据的情况下保持具有临床意义的剂量预测性能。研究结果可能有助于更好地理解卷积模型的剂量预测泛化能力及其在训练数据所代表条件之外的应用潜力。
章节摘录
数据准备
数据准备是深度学习的重要组成部分，因为数据质量和多样性可以显著影响模型的性能和泛化能力。为了研究不同束流配置和解剖部位的剂量预测，数据集的构建包含了患者解剖结构、机架角度、多叶准直器配置和束流几何的变体。
来自75名患者的匿名化CT图像，涵盖胸部、腹部和盆腔解剖。
结果
训练后，保存了达到最低损失的最优权重，用于在测试数据上进行后续的剂量分布预测。所有模型的总训练时间在1至2小时之间。标准U-Net所需的训练时间最短，而U-Net++的训练时间为1小时55分钟。为测试数据生成新剂量分布的平均时间大约在秒级。
使用以下方法计算了每个患者数据集中所有2D切片的Gamma通过率。
讨论
如图1所示，五个CNN模型在患者级别的Gamma通过率上表现出差异，不同患者之间的结果分布也有所变化。根据表1中的均值，U-Net在1%/1 mm标准下达到了最高的GPR，而Attention U-Net在2%/2 mm和3%/3 mm标准下达到了最高的平均GPR。U-Net3+在所有三个标准下均持续产生最低的平均GPR。这些发现表明架构修改
结论
本研究评估了卷积神经网络模型在测试条件以及此前未见的束流几何和解剖条件下的剂量预测性能。在评估的模型中，Attention U-Net在3%/3 mm标准下在测试数据集上达到了最高的平均Gamma通过率。然而，统计分析显示，相对于基线U-Net的性能差异在不同评估标准下存在变化，表明架构的增加
CRediT作者贡献声明
Fatemeh Monsef：撰写——原稿。Iraj Jabbari：指导，方法论，概念化。Reza Rasti：项目管理，方法论。
利益冲突声明
作者声明不存在已知的竞争性财务利益或个人关系，这些关系可能被认为影响了本文所报告的工作。
Fatemeh Monsef | Iraj Jabbari | Reza Rasti
