《MEDICAL PHYSICS》：Deep learning for gamma map prediction in breast IMRT verification
编辑推荐：
背景：放射治疗中的患者特异性质量保证（PSQA）通常依赖全局gamma通过率（GPR）指标，该指标将照射实施一致性概括为单一标量，因而对剂量投照差异的空间位置提供的信息有限。gamma图的空间预测可能为PSQA结果提供信息更丰富且更可解释的表示。目的：开发并评
背景：放射治疗中的患者特异性质量保证（PSQA）通常依赖全局gamma通过率（GPR）指标，该指标将照射实施一致性概括为单一标量，因而对剂量投照差异的空间位置提供的信息有限。gamma图的空间预测可能为PSQA结果提供信息更丰富且更可解释的表示。目的：开发并评估一种多模态深度学习（DL）框架，用于乳腺癌调强放射治疗（IMRT）验证中二维gamma图的预测，输入包括门户剂量图像、多叶准直器（MLC）调制图和计划复杂度指标。方法：分析单中心回顾性数据集，包含644例接受IMRT的乳腺癌患者的4707个门户剂量学照射野。采用基于U-Net的编码器-解码器架构，为每种输入模态设置专用编码器，并在gamma图预测前进行中间特征融合。gamma图以三分类输出（背景、未通过、通过）进行预测，使用softmax层并通过逐像素argmax解码。比较四种配置：仅门户、门户+调制图、门户+复杂度指标、全多模态输入。采用五折患者级交叉验证防止数据泄漏。使用受试者工作特征（ROC）分析并以90% GPR为阈值评估性能，采用标准分类指标、±3%和±5%范围内的GPR一致性，以及预测与实测gamma图之间的分类图级空间一致性分析。结果：多模态整合后预测性能提高。仅门户模型AUC为0.77（95%置信区间[CI] 0.71–0.82），全多模态配置达到0.94（95% CI 0.92–0.96）；配对bootstrap检验显示差异具有统计学意义（原文未给出具体P值）。平衡准确率由0.64升至0.77。对于全多模态模型，分别有87.9%和94.6%的病例在实测与预测GPR之间达到±3%和±5%范围内一致。在实测GPR<90%的照射野中，分类图级空间一致性为（原文数值缺失），表明模型再现了未通过区域的近似空间分布。结论：与仅门户建模相比，多模态gamma图预测改善了乳腺癌IMRT PSQA性能，并将评估扩展到标量GPR估计之外。通过提供未通过区域的空间分辨预测，该方法可能支持信息更丰富且更可解释的治疗前质量保证（QA）。
研究背景：调强放射治疗（IMRT）可在提高肿瘤照射剂量精确性的同时保护周围正常组织，但其计划实施准确性依赖严格的患者特异性治疗前质量保证（PSQA）。gamma分析基于剂量差异和一致性距离准则量化计划与实测剂量分布的一致性，是常用质量保证（QA）指标；然而gamma通过率（GPR）将空间一致性压缩为单一标量，对投照偏差的敏感性有限，也不能直接提示差异出现的空间位置。既往机器学习（ML）和深度学习（DL）研究多利用注量图、调制复杂度指标、监测单元曲线或剂量组学参数预测GPR；Interian et al.、Quintero et al.和Hirashima et al.等报道多描述符整合可改善预测，但多数方法仍以全局GPR为目标，未处理二维gamma图的空间分布。乳腺癌IMRT因靶区大而不规则、组织异质性明显及多叶准直器（MLC）调制复杂，对投照不确定性较敏感，gamma失败率可能高于前列腺等部位，故研究人员以乳腺癌IMRT为代表性用例，提出方法通用的多模态DL框架。研究纳入2019—2026年单中心644例乳腺癌IMRT患者的4707个门户剂量学照射野，输入预测门户剂量图像、MLC调制图和计划复杂度指标，输出二维gamma图；比较仅门户、门户+调制图、门户+复杂度指标和全多模态四种配置。研究结论为全多模态模型较仅门户模型显著提高计划级判别性能，AUC由0.77升至0.94，平衡准确率由0.64升至0.77，特异性由0.29升至0.54；全多模态模型在87.9%和94.6%的病例中分别达到±3%和±5%的GPR一致性。其意义在于将PSQA建模从标量GPR扩展到空间分辨的gamma图预测，可定位未通过区域并提高可解释性，作为测量型治疗前QA的补充而非替代。
关键技术方法（不超过250字）：单中心回顾性队列来源为2019—2026年644例乳腺癌IMRT患者、4707个门户剂量学照射野；治疗使用Varian TrueBeam直线加速器，Eclipse各向异性分析算法（AAA）v18.02计算剂量，Varian Portal Dosimetry电子射野影像装置（EPID）行治疗前验证。关键技术包括：构建预测门户剂量图像、MLC调制图（XM）和计划复杂度指标（CM）三模态输入；采用U-Net编码器-解码器，模态专用编码器提取特征后在瓶颈融合，softmax三分类并逐像素argmax生成gamma图；以五折患者级交叉验证训练和测试；采用ROC/AUC、分类指标、±3%/±5% GPR一致性及分类图级空间一致性评估。
研究结果：根据五折交叉验证留出测试预测拼接后的ROC分析，仅门户模型AUC为0.77（95% CI 0.71–0.82），加入调制图后为0.89（95% CI 0.85–0.92），加入复杂度指标后为0.88（95% CI 0.83–0.91），全多模态模型最高为0.94（95% CI 0.92–0.96）；配对bootstrap检验显示全多模态模型较其他配置的改善具有统计学意义。根据分类指标，全多模态模型准确率0.98±0.00、精确率0.99±0.00、召回率0.99±0.00、特异性0.54±0.09、平衡准确率0.77±0.04；全多模态配置的AUC、特异性和平衡准确率最高，而基于容差的GPR一致性在各配置间相近。根据实测与预测GPR散点及容差分析，全多模态模型分别有87.9%和94.6%的病例位于±3%和±5%容差带内。根据定性示例比较，全多模态模型在一致和不一致病例中展示的预测gamma图可对应实测gamma图的大致通过/未通过区域。根据容差分类图级空间一致性分析，全测试野中一致性接近完全且受均匀通过野比例主导；在实测GPR<90%的野中，1像素容差下空间一致性为（原文数值缺失），并随2、3、5像素容差增加（原文数值缺失），提示所选容差位于渐变趋势而非孤立有利点，模型可再现未通过区域的近似空间分布。
讨论总结：多模态整合带来的性能提升主要集中于对少数未通过病例最敏感的特异性，且未改变网络骨干和优化策略，提示增益主要来自互补信息内容而非架构复杂度。门户剂量图像编码投照剂量替代信息，MLC调制图和复杂度指标描述调制动态与可投照性；联合建模有助于同时表征空间剂量一致性和调制相关风险因素，在解剖异质和MLC运动复杂的乳腺癌IMRT中尤其相关。空间预测评估并非第二次剂量学gamma分析，因为模型未获得实测门户图像；该分类图级指标量化通过和未通过区域的分类共定位，而非剂量gamma一致性。低GPR本身不能识别失败原因，可能涉及调制或可投照性、摆位或探测器因素及校准变化；乳腺癌陡峭剂量梯度、组织异质性、野边缘和野匹配区域及复杂孔径可能是本队列失败病例的相关因素。所提预测应补充而非替代基于测量的治疗前QA。局限包括：失败野比例约3%的类别不平衡；数据来自单一机构、单一QA平台和gamma标准；缺乏MLC日志/性能数据；门户图像由原始分辨率降采样，空间细节减少，模型定位近似分布而非探测器分辨率细节；尚未将预测整合到计划适应。未来需多机构多设备外部验证、引入MLC日志、评估更高输入分辨率，并探索空间gamma预测用于靶向优化。研究结论翻译：研究人员提出的多模态DL框架联合预测门户剂量图像、MLC调制图和计划复杂度指标，可准确预测乳腺癌IMRT PSQA的二维gamma图。与仅门户模型相比，互补的剂量域和调制域描述符改善了计划级判别，使AUC由0.77升至0.94，并在87.9%的病例中达到（原文数值缺失）范围内的GPR一致，在94.6%的病例中达到（原文数值缺失）范围内的GPR一致。除全局GPR估计外，该方法提供未通过区域的空间分辨预测，在GPR<90%的野中分类图级空间一致性为（原文数值缺失），将PSQA建模推进至信息更丰富且更可解释的QA评估。
