基于日常影像头颈部解剖学体积变化的离线自适应放疗需求预测：一种简单可解释的方法

《MEDICAL PHYSICS》：A simple and interpretable method to predict head and neck offline adaptation needs based on anatomical changes

　　

摘要 背景：现代放射治疗技术无法自动处理治疗期间的解剖学变化，这可能导致靶区覆盖不足、热点产生或健康组织受照剂量增加。适应性放疗通过根据患者当前解剖结构更新治疗计划来解决此问题。在常规临床实践中，再计划决策通常由放射治疗技师发现固定面罩贴合不佳而触发。由于该过程依赖操作者经验且缺乏方法学严谨性，一种定量决策支持方法有望显著改善再计划决策。每日图像引导放疗（IGRT）影像虽提供有价值的临床信息，但其质量往往不足以支持准确的靶区勾画或可靠的剂量计算以辅助直接的临床决策。这一局限性促使研究者寻求更简单、实用且可扩展的替代方案。 目的：本研究旨在开发一种自动化工作流，利用稳健的工具预测头颈部（H&N）癌症患者每次治疗分次是否需要再计划，从而在减少人工验证的同时辅助放射肿瘤科医生的决策。 方法：研究回顾性分析了21例在Tomotherapy Radixact系统（Accuray，美国）上接受治疗并伴有每日kVCT影像的H&N癌症患者数据，其中14例在治疗期间接受了再计划。对于每例患者，在RayStation治疗计划系统（RaySearch Laboratories AB，瑞典）中通过脚本处理计划CT（pCT）和每日影像。采用刚性配准将每日影像对齐至pCT，并定义患者特异性感兴趣区（ROI）以在所有治疗分次一致捕获相同解剖区域。将ROI容积与外部轮廓相交，并转换为相对于pCT的相对容积变化。根据治疗期间是否发生再计划对患者进行分组，评估每组在每个治疗分次的平均容积变化差异。为自动检测临床相关的解剖学变化，研究基于三个容积特征（当前容积损失、短期趋势和长期趋势）构建了一个简单可解释的模型，并通过交叉验证进行评估。定义触发条件的阈值通过定制化损失函数优化，该函数优先考虑早期检测并对假阴性施以比假阳性更重的惩罚。比较了使用不同特征子集和超参数的模型变体，最终配置以召回率优先，其次为特异性和早期标记时间。 结果：再计划组与非再计划组之间的容积变化在第6分次出现显著差异，并在后续大多数分次保持显著性。最小的校正p值出现在第22–25分次附近。采用留一法交叉验证，性能最佳的模型以93%的召回率标记需再计划的患者，平均早于临床干预8.4个分次。 结论：再计划与非再计划患者局部组织容积损失的持续差异使研究者能够开发出一种简单的自动化工作流，当学习到的容积阈值被超过时，即可触发离线ART的再计划。该方法为医生判断提供了客观补充，并能无缝整合到现有IGRT工作流中。

基于日常影像的头颈部离线自适应放疗需求预测：一项简单可解释方法的研究解读

1. 研究背景与现存问题

随着人口增长和预期寿命延长，全球癌症发病率预计将在2022年至2050年间上升77%，这使得治疗成本和对高质量治疗方案的需求同步增长。放射治疗是超过50%癌症患者的治疗组成部分，而图像引导放疗（IGRT）通过确保患者定位一致性，已成为现代放疗的重要基础。然而，传统放疗技术无法自动应对治疗过程中发生的解剖学变化，如肿瘤缩小或正常组织萎缩，这些变化可能导致靶区剂量覆盖不足、热点产生或危及器官受照剂量增加。

适应性放疗（ART）正是为解决这一问题而提出，其核心理念是根据患者当前解剖结构动态调整治疗计划。ART分为离线ART和在线ART两种模式：离线ART在两个治疗分次之间实施，不占用额外机时，有利于提高设备利用率；在线ART则在患者仍处于治疗体位时即刻执行，能直接响应观察到的变化，但对工作流效率和团队协作提出了极高要求。

尽管ART已问世二十余年，但目前尚无公认的最优方案，各中心和不同肿瘤部位的工作流差异显著。更为关键的是，再计划决策本身缺乏标准化依据。在当前的临床实践中，头颈部（H&N）癌症患者的再计划决定主要依赖于固定面罩贴合度、体重变化或基于影像的主观评估，其中影像学评估尤其困难。许多方法需要使用形变配准（DIR）将每日定位影像与原始计划CT（pCT）进行配准，或在固定间隔或怀疑发生明显解剖变化时进行新的模拟扫描。然而，DIR的不确定性、成像伪影以及软组织结构对比度差等问题，使得基于DIR的剂量追踪结果可靠性受限。此外，回顾性分析有时会发现，那些已经实施了再计划的患者，其原始治疗实际上仍然满足临床目标，这意味着再计划可能是不必要的。因此，亟需一种可靠、客观且易于集成到现有工作流中的方法来辅助放射肿瘤科医生的决策。

2. 研究方法与技术路线

研究人员开展了一项回顾性研究，纳入21例在Tomotherapy Radixact系统（Accuray，美国）上接受治疗的H&N癌症患者，其中14例在治疗期间因医生判断（基于面罩贴合度和体重下降）而接受了再计划。所有患者均具备计划CT（pCT）和每日kVCT影像。关键技术方法包括：

• •
  一致性感兴趣区（ROI）生成：在RayStation治疗计划系统（RaySearch Laboratories AB，瑞典）中通过脚本实现自动化流程。首先对所有影像自动勾画外部轮廓，并基于骨结构的刚性配准将每日影像对齐至pCT。以第一张每日影像的几何中心为基础，结合自动勾画的眼部标志物，确定位于头部中心下方的参考点，并将其反向映射回所有影像。随后，通过排除肩部和背部床板交叉区域的影响，确定ROI的面内尺寸（后向加1 cm，侧向各加2.5 cm），并根据所有可用每日影像的视野范围确定最大可行高度，最终构建出患者特异性、跨影像一致的ROI。将ROI与外部轮廓相交后，计算各影像上的ROI容积，并按公式计算相对于pCT的容积变化百分比。
• •
  组间比较与统计分析：将患者分为再计划组和非再计划组，在每个治疗分次，使用Welch不等方差双样本t检验比较两组间的相对容积变化均值，并通过Benjamini-Hochberg错误发现率（FDR）程序校正多重比较。
• •
  预测模型构建与优化：基于三个可解释的特征——当前容积损失（最近两次测量的均值）、短期趋势（最近五次测量线性回归的斜率）和长期趋势（所有测量线性回归的斜率）——构建了一个二元触发模型。当所有三个特征值均低于各自阈值时，模型即判定需要再计划。通过留一法交叉验证（LOOCV）优化阈值，采用非对称损失函数，该函数对晚期检测和假阴性施以更重惩罚，优先保证召回率。

3. 研究结果

3.1 监测每日影像中的容积变化

在将患者按是否接受再计划分组后，研究人员计算了每个治疗分次两组的平均容积变化及其标准差。Welch t检验结果显示，再计划组与非再计划组之间的容积变化在第6分次首次出现显著差异（FDR校正后p = 0.011），并且从第6分次至第33分次，除第8分次外，所有比较均保持显著。最小的校正p值出现在第22和25分次附近（p ≈ 4.3 × 10^-5）。这表明，早期解剖学偏差能够有效预测后期医生发起的再计划行为。

3.2 模型性能与选择

通过LOOCV比较不同特征子集和超参数组合的模型变体，性能最佳的五种配置均达到了相同的混淆矩阵，即93%的召回率和86%的特异性。其中，使用全部三个特征、并对晚期标记施以四倍于早期标记的惩罚（超参数α = 2.0，λ_FN = 450，λ_FP = 150）的变体表现最优。在全数据集上重新训练后，最终模型的触发阈值为：当前容积损失低于-2.11%，短期趋势低于-0.45%/分次，长期趋势低于-0.1%/分次。该模型在77%的被标记患者中实现了提前预警，平均早于临床干预8.4个分次。

4. 讨论与结论

讨论部分总结：本研究提出了一种轻量级、可解释的方法，通过自动生成围绕靶区的ROI并计算简单的容积特征，帮助放射肿瘤科医生判断是否需要对H&N癌症患者进行再计划。该方法无需形变配准、合成CT生成或剂量重新计算，仅需对外部轮廓进行有限的视觉验证，即可捕捉临床相关的软组织变化。与依赖主观判断的当前实践相比，该方法提供了客观、标准化的量化指标。与基于DIR或深度学习的复杂方法相比，它避免了配准不确定性、算法敏感性和可解释性差等问题。然而，本研究也存在局限性：样本量较小（21例，仅7例未再计划），所有数据来自单一机构和使用同一治疗及成像系统的患者，缺乏独立外部验证；医生发起的再计划作为金标准可能存在时间不确定性；方法依赖于外部轮廓质量和pCT中包含眼部标志物的假设，且无法检测不改变外部轮廓的内部解剖变化。

结论部分翻译：本研究表明，从每日影像中提取的头颈部软组织变化，为识别可能在放疗期间受益于再计划的患者提供了可靠且可解释的基础。所提出的方法捕获简单的基于容积的特征，提供了一个客观的触发条件，补充了临床医生的判断，同时避免了合成CT生成、形变图像配准和重复剂量重新计算的不确定性和计算负担。通过直接在标准工作流中已获取的图像上运行，该方法代表了一种实用、易于实施且透明的工具，用于监测整个治疗过程中的解剖演变。在更大、更多样化的患者队列中进行进一步验证，对于评估结果的普适性以及确定该算法基于解剖变化的预测能否转化为靶区覆盖、危及器官保护和整体适应性治疗策略方面的临床显著改善至关重要。