面向伽玛刀立体定向放射外科预规划剂量学可行性的物理感知几何深度学习

《Radiological Physics and Technology》：Physics-aware geometric deep learning for pre-planning dosimetric feasibility in Gamma Knife radiosurgery

　　在伽玛刀立体定向放射外科（SRS）中，实现最佳剂量学效果受到复杂肿瘤几何结构的物理限制。尽管梯度指数（GI）和适形指数（CI）定义了计划质量，但接受^{12 Gy}剂量的体积（V_12Gy）和射束密度决定了患者的安全性和治疗效率。现有的体积启发式方法无法捕捉控制这些参数的拓扑不规则性。本研究引入了一种物理感知的几何深度学习框架，直接从表面拓扑同时预测质量、安全性和复杂性指标。方法：利用前庭神经鞘瘤分割数据集（n=100），将肿瘤流形转换为物理感知的点云，并用12维特征向量进行增强，包括表面法线和径向曲率。开发了一种基于PointNet的多任务架构，称为"GammaPoint-Net"，用于回归GI、CI、V_12Gy和射束密度。该框架通过与3D体素CNN、标准体积回归、基于手工3D形状描述符的传统机器学习回归器（随机森林、支持向量回归和XGBoost）以及基于点的架构进行对比测试，采用5折交叉验证。GammaPoint-Net在所有目标上均取得了优越的预测精度（R2_GI=0.79，R2_V12=0.75），显著优于体积基线方法（R2<0.25）。消融研究证实，纳入微分几何特征使平均绝对误差降低了46%。GammaPoint-Net还优于最强的手工形状描述符基线方法（加入曲率矩的XGBoost，R2=0.72；配对Wilcoxon检验 p=0.038）。显著性图分析表明，该网络能够自主识别高曲率表面突起作为剂量学退化的主要驱动因素。GammaPoint-Net证明了表面拓扑而非体积是放射外科计划质量的根本决定因素。该框架提供了即时且可解释的预评估能力，使物理师能够在优化前预见计划难度和毒性风险。