临床DVH指标作为头颈部放疗三维剂量预测的损失函数

《International Journal of Computer Assisted Radiology and Surgery》：Clinical DVH metrics as a loss function for 3D dose prediction in head and neck radiotherapy

　　

目的：基于深度学习的三维（3D）剂量预测广泛应用于自动化放疗工作流程。然而，现有大多数模型采用体素级回归损失进行训练，这与基于剂量体积直方图（DVH）指标的临床计划评估标准一致性较差。本研究旨在开发一种临床引导的损失函数，直接优化临床使用的DVH指标，同时保持头颈部（H&N）剂量预测的计算效率。
方法：研究人员提出了一种临床DVH指标损失（CDM loss），该损失包含可微的D-metrics和近似的V-metrics，并结合无损位掩码感兴趣区域（ROI）编码以提高训练效率。该方法在174例H&N患者上进行了评估，采用时间分割（137例训练，37例测试）。
结果：与平均绝对误差（MAE）和基于DVH曲线的损失相比，CDM损失显著提高了靶区覆盖，并满足所有临床约束。使用标准3D U-Net，计划靶区体积（PTV）评分从1.544（MAE）降至0.491（MAE + CDM），而危及器官（OAR）的 sparing 保持可比。位掩码编码将训练时间减少了82.2%，并降低了GPU内存使用。
结论：直接优化临床使用的DVH指标使得3D剂量预测比传统的体素级或基于DVH曲线的监督更符合临床治疗计划标准。所提出的CDM损失结合高效的ROI位掩码编码，为H&N剂量预测提供了一个实用且可扩展的框架。

在头颈部（H&N）放疗中，三维（3D）剂量预测是自动化工作流程的关键环节，但现有深度学习模型多采用体素级回归损失（如平均绝对误差MAE）进行训练，这与临床基于剂量体积直方图（DVH）指标的评估标准存在本质不一致。头颈部解剖结构复杂、危及器官（OAR）数量多、靶区与正常组织间剂量梯度陡峭，导致治疗计划优化难度大、不同计划者间变异显著。为此，研究人员在《International Journal of Computer Assisted Radiology and Surgery》发表论文，提出一种临床DVH指标损失（CDM loss）和高效位掩码感兴趣区域（ROI）编码策略，旨在直接优化临床使用的DVH指标，同时降低计算开销，推动剂量预测与临床实践的深度融合。

研究人员主要采用三项关键技术方法：一是基于可微的D-metrics（如D_x%、D_{x cc}）和近似V-metrics（通过sigmoid函数软化Heaviside阶跃函数，并依据近似误差上界理论选择斜率参数α）构建CDM损失；二是提出无损位掩码ROI编码，将多个ROI的二进制掩码压缩为单个32位无符号整数，减少CPU预处理、CPU到GPU数据传输及GPU内存占用；三是使用标准3D U-Net作为基线模型，并在Leiden University Medical Center收集的174例H&N患者（时间分割：137例训练，37例测试）上进行评估。

研究结果部分如下：

**Loss function comparison（损失函数比较）**
研究人员通过对比MAE、MAE+DVH曲线损失、MAE+CDM及MAE+DVH+CDM四种配置，发现引入CDM损失后，PTV Score（用于评估靶区覆盖的评分）从1.544（MAE）降至0.491（MAE+CDM），且所有测试病例均满足V_95%（≥98%）和D_{0.03 cc}（≤110%）的临床约束，而其他配置存在靶区覆盖不足或剂量过高的问题。OAR Score保持可比，但MAE+CDM是唯一在所有OAR指标上与临床计划无显著差异的配置。

**Ablation study（消融研究）**
针对近似V-metrics中sigmoid斜率参数α的消融实验表明，依据理论下界推导的α值（PTV_54.25为209，PTV₇₀为176）实现了最佳PTV Score，而较小α（如100）导致近似误差增大、PTV Score升高；更大α（300-500）未带来额外收益。位掩码ROI编码的消融实验显示，相较于传统one-hot编码，位掩码使峰值GPU内存降低4.5%（从20.50 GB降至19.57 GB），每轮训练时间减少82.2%（从241秒降至43秒），显著提升计算效率。

**Model comparison（模型比较）**
在MAE+CDM损失配置下，3D U-Net的PTV Score（0.491）与最优模型（Pyfer）持平，且优于SwinUNETR和MedNeXt等复杂架构；OAR Score（1.999）排名第二。这表明当训练目标与临床目标对齐时，架构复杂度成为次要因素。

讨论部分总结：直接优化临床DVH指标比体素级或DVH曲线监督更有效，CDM损失通过模板化设计（基于JSON的临床评估模板）可灵活适配不同机构的计划协议。α的理论下界选择方法提供了稳健且无需经验调优的途径。通过位掩码编码和CDM损失，标准3D U-Net即可达到与复杂架构相当的性能，降低了临床部署门槛。研究局限性包括单中心数据、未评估与可交付治疗计划的集成，未来需进行多中心验证及剂量模仿最终计划质量的评估。

研究结论翻译：直接优化临床使用的DVH指标使得3D剂量预测比传统的体素级或基于DVH曲线的监督更符合临床治疗计划标准。所提出的CDM损失结合高效的ROI位掩码编码，为H&N剂量预测提供了一个实用且可扩展的框架。