摘要
背景
序贯增强的放射治疗（RT）在分配剂量时面临挑战，需要在保护风险器官（OARs）的同时处理多个治疗计划。临床医生必须决定是在初始计划、增强计划还是所有计划中优先考虑保护OARs，这导致了一个耗时且需要迭代的优化过程。
目的
当前的剂量预测框架仅适用于单个治疗计划，无法考虑序贯增强带来的复杂性。我们提出了一种多计划剂量预测框架，该框架能够同时模拟单个计划的剂量和累积计划总剂量。通过整合整个治疗过程的上下文，这种方法可以帮助规划者以更少的迭代调整来确定优化目标。最终，该框架旨在实现一种适用于任何RT治疗过程的多功能剂量预测方法，无论治疗部位、分次方案或序贯计划的数量如何。
方法
我们开发了一种基于U-Net的混合卷积神经网络（CNN），该网络处理CT图像、OARs、PTVs和剂量学目标，以预测每个计划的剂量分布以及计划总剂量。该网络包含五个池化层、跳跃连接和变换器瓶颈，以捕捉全局上下文。在解码器中应用深度监督机制，以促进网络深层特征的鲁棒性表示，这是一种正则化形式。用于比较的单计划模型与多计划模型在几个关键方面有所不同：（1）它一次只处理一个治疗计划；（2）计划总剂量学目标会根据分次比例进行重新缩放；（3）省略了计划总PTVs；（4）它仅预测计划剂量；（5）计划总剂量分布是通过将各计划剂量预测值相加得到的。模型使用多目标损失函数进行训练，包括用于体素级准确性的均方误差（MSE）和用于区域一致性的多尺度结构相似性指数（MS-SSIM）。损失值在所有输出层上取平均值，以促进全局一致性。为了提高训练稳定性并确保参数更新对两个损失目标都有益，我们使用了TorchJD包中的雅可比下降策略。我们收集了一个包含64名患者的独立于治疗部位的数据集，这些患者接受了序贯增强RT治疗（训练/验证/测试比例为38/6/20）。
结果
多计划模型和单计划模型均训练至收敛。评估指标包括以处方剂量百分比表示的平均绝对误差（MAE/Rx）和结构相似性指数（SSIM）。多计划模型在计划剂量分布方面与单计划模型相比具有统计学上的显著差异（MAE/Rx：1.244 ± 0.151% vs 1.650 ± 0.172%，p < 0.001；SSIM：0.964 ± 0.005 vs 0.944 ± 0.009，p < 0.001）；在计划总剂量分布方面也有显著差异（MAE/Rx：1.146 ± 0.174% vs 1.525 ± 0.188%，p < 0.001；SSIM：0.972 ± 0.006 vs 0.960 ± 0.006，p < 0.001）。
结论
我们的多计划剂量预测框架通过整合计划总剂量信息，提高了体素级准确性和感知一致性。与传统单计划预测模型不同，我们的方法可以同时处理多个治疗计划的数据，从而考虑整个治疗过程中的累积剂量需求。这种方法可以通过为临床医生提供准确的、全面的剂量分配策略来简化治疗计划。该框架为通用RT剂量预测模型奠定了基础，能够处理任何分次方案、疾病部位或计划数量，我们计划在未来的工作中对此进行验证。
利益冲突声明
作者声明没有利益冲突。
数据可用性声明
作者将根据请求向通讯作者提供数据。
