目的:基于肺癌患者放疗前的CT影像组学特征，综合临床信息与放疗剂量学特征，利用机器学习方法构建症状性放射性肺炎的预测模型。方法:回顾性收集2018年11月至2020年4月在江南大学附属医院接受放疗的103例肺癌患者的临床与剂量学资料。获取这些患者放疗前胸部CT影像，勾画双侧正常肺组织结构，提取250种影像组学特征。用单因素分析研究临床、剂量学特征与放射性肺炎发生的相关性。收集所有影像组学特征、临床和剂量学特征作为潜在预测因子，通过LASSO回归机器学习方法筛选特征，并得到肺炎预测模型。然后根据筛选的特征建立放射性肺炎发生风险的列线图。结果:单因素分析结果表明，症状性放射性肺炎与双侧正常肺组织的平均肺剂量(MLD)、 V20 Gy和 V30 Gy的相关性具有统计学意义( t＝2.20、2.34、2.93， P<0.05)。在综合所有影像组学特征、临床和放疗剂量学特征后，本研究共筛选出4个特征，为肺的剂量体积百分数 V30 Gy，和3个影像组学特征，包括灰度共生矩阵类别的熵特征、小波变换直方图类别的均值及中位数特征。基于这些特征所构建的肺炎预测模型的曲线下面积(AUC)为0.757。绘制了可根据特征值给予个体化的风险预测与提前干预的列线图。 结论:放疗前的CT影像组学结合剂量学特征可用于预测症状性肺炎的发生，可望为临床提前干预提供帮助。

目的:建立基于预测可行性剂量体积直方图(DVH)的肝癌容积调强弧形治疗(VMAT)自动计划方法，并评价其性能。方法:回顾性随机选取10例放疗肝癌病例。采用Pinnacle Auto-Planning设计VMAT自动计划，通过PlanIQ剂量预测得到可行性DVH曲线，并根据其显示的可行性目标区间设置自动计划的初始优化目标。评价计划靶体积、正常肝和其他危及器官的剂量参数以及机器跳数，并与临床手工计划行配对 t检验。 结果:自动计划和手工计划的计划靶体积D 2%、D 98%、D mean和均匀度指数相近[(58.55±2.81) Gy∶(57.98±4.17) Gy、(47.15±1.58) Gy∶(47.82±1.38) Gy、(53.14±0.95) Gy∶(53.44±1.67) Gy和1.15±0.05∶1.14±0.07， P均>0.05]，手工计划的计划靶体积适形指数略高于自动计划(0.77±0.08∶0.69±0.06， P<0.05)。自动计划的肝V 30Gy、V 20Gy、V 10Gy、V 5Gy和V <5Gy显著优于手工计划[(26.68±11.13)%∶(28.00±10.95)%、(29.96±11.50)%∶(31.89±11.51)%、(34.88±11.51)%∶(38.66±11.67)%、(45.38±12.40)%∶(50.74±13.56)%和(628.52±191.80) cm 3∶(563.15±188.39) cm 3， P均<0.05]，自动计划的小肠、十二指肠、心脏D mean以及全肺V 10Gy低于手工计划[(1.83±2.17) Gy∶(2.37±2.81) Gy、(9.15±9.36) Gy：(11.18±10.49) Gy、(5.44±3.10) Gy∶(6.25±3.26) Gy以及(12.70±7.08)%∶(14.47±8.11)%， P均<0.05]。两种计划的机器跳数相近[(710.67±163.72) MU∶(707.53±155.89) MU， P>0.05]。 结论:基于预测可行性DVH的肝癌VMAT自动计划方法能提高计划质量，更好保护正常肝，对小肠、十二指肠、全肺和心脏的保护也有优势。

目的:基于核密度估计方法预测妇科肿瘤患者骶尾骨和盆骨骨髓剂量。方法:选取中国医科大学附属盛京医院治疗的15例妇科肿瘤限制骶尾骨和盆骨骨髓剂量的放疗计划作为机器学习的训练数据，另选取10例该类计划作为模型的验证数据，计算器官内各剂量点与计划靶区边缘的最小有向距离。应用核密度估计方法训练模型，并用均方根差来评估模型预测的准确性。使用该模型预测实际计划的骶尾骨和盆骨骨髓剂量，对预测的剂量体积直方图(DVH)和实际结果进行线性拟合，使用拟合优度R 2来评估模型预测效果。 结果:在计划要求的DVH参数上，模型预测与验证计划较为接近：盆骨V 40Gy差为2.0%，平均剂量差为1.6　Gy，骶尾骨V 10Gy差为-0.4%。在非计划要求的DVH参数上，模型预测值除盆骨V 10Gy外，其余参数值均明显偏高。在实际病例应用中，模型预测的DVH与最终计划的差异很小，骶尾骨和盆骨骨髓的R 2分别为0.988和0.995。 结论:使用基于核密度估计方法的模型可以较准确预测骶尾骨和盆骨骨髓剂量，通过模型预测剂量也可以作为一种保障计划质量的方法，提高计划的一致性和质量。

目的:研究基于深度学习的方法预测乳腺癌保乳术后调强放疗(IMRT)剂量分布，并评估其预测精度。方法:回顾性分析2018年1月至2023年3月在上海国际医学中心接受IMRT的110例左侧乳腺癌保乳术后患者的调强放疗数据，随机固定选择80例作为训练集，随机固定10例作为验证集，剩余20例作为测试集。首先将患者的计算机体层成像(CT)图像、感兴趣区、体素与靶区距离和对应的剂量分布四通道特征作为输入数据，然后使用U-net网络进行训练得到预测模型，利用该模型对测试集进行剂量预测，验证体素与靶区距离特征在剂量预测中的影响，并将剂量预测结果与实际手动计划剂量进行比较。结果:加入体素与靶区距离特征的模型使预测精度更高，测试集中20例患者的剂量评分和剂量体积直方图(DVH)评分分别为2.10±0.18和2.28±0.08，与手动计划剂量分布更加接近( t＝2.52、2.40， P<0.05)。靶区和危及器官(OAR)的剂量预测结果与手动计划剂量的偏差在4%以内，健侧乳腺平均剂量增加了13 cGy，均在临床可接受范围内。除PTV 60的 D2、 D98( Di为 i%的PTV体积接受的剂量)、 Dmean(平均剂量)和患侧肺的 V5( Vi为接受 i Gy剂量的OAR体积百分比)、 Dmean差异有统计学意义外( t＝3.74、2.91、2.99、3.47、2.29， P<0.05)，其他差异无统计学意义( P>0.05)。 结论:基于深度学习的方法可以精准预测乳腺癌保乳术后调强放疗剂量分布，并通过实验证明加入体素与靶区距离特征可以有效提升预测精度，有助于物理师提高计划设计的优质性和一致性。

目的:设计一种联合深度学习剂量预测和参数迭代优化算法的容积调强放射治疗(VMAT)全自动计划方法。方法:选取2018年6月至2021年1月北京大学肿瘤医院既往165例直肠癌患者的VMAT计划开展研究，其中145例用于训练和验证深度学习模型，该模型用于预测危及器官的剂量，20例用于研究比对自动计划和人工计划的质量。该方法从危及器官的预测剂量分布中提取关键的剂量体积直方图(DVH)值作为初始优化参数(IOPs)，利用治疗计划系统可编程接口自动创建VMAT计划，通过设计迭代优化算法自动调节优化参数(OPs)。结果:剂量预测模型训练后能有效预测出20例测试计划危及器官的关键DVH值，与参考值相比差异均无统计学意义( P> 0.05)。20例VMAT自动计划均能满足临床处方剂量要求，对于PTV和PGTV的适形性指数(CI)，人工计划与自动计划比较差异均无统计学意义( P> 0.05)；而PGTV的 D1和均匀性指数(HI)，自动计划均高于人工计划，分别为0.6 Gy和0.01，两者比较差异均有统计学意义( t＝-7.05、-6.92， P<0.05)。自动计划比人工计划的膀胱平均 V30下降2.7%( t＝3.37， P< 0.05)，股骨头和危及器官辅助结构(Avoidance)的平均 V20分别下降8.37%和15.95%( t＝5.65、11.24， P< 0.05)，并且膀胱、股骨头、Avoidance的平均剂量分别降低了1.91、4.01和3.88 Gy( t＝9.29、2.80、10.23， P< 0.05)。测试的20例直肠癌患者病例的自动计划平均时间为(71.82±25.48)min。 结论:本研究利用直肠癌病例验证了一种联合剂量预测和参数迭代优化算法的VMAT自动计划方法的可行性。相比于人工计划，VMAT自动计划无需人工干预，在提高计划设计效率、计划质量和临床资源利用率等方面有很大的应用潜力。

目的:基于日本经验建立局部效应模型(LEM)下前列腺癌碳离子治疗直肠剂量体积直方图(DVH)预测模型，为临床降低直肠不良反应发生率提供参考。方法:收集局限期前列腺癌患者计划CT图像76例，采用微剂量动力模型(MKM)进行治疗计划；然后，基于与MKM计划相同的射野，采用LEM重新计算生物剂量获得LEM计划，并在LEM计划中提取直肠几何特征及DVH参数。采用线性回归法对其中61例计划信息进行建模，余15例计划用于验证。结果:61例患者计划靶体积沿左右方向外扩1 cm后与直肠交叠部分体积同直肠体积比值可作为预测直肠DVH的特征参数。15例患者预测DVH同LEM计划DVH的拟合度优( R2＝0.964)，基于预测DVH进一步预测直肠不良反应与基于LEM计划DVH预测直肠不良反应的结果一致。 结论:线性回归方法可建立较为准确的前列腺癌碳离子治疗直肠DVH预测模型，可能为临床降低直肠不良反应发生率提供一定参考，还有待于临床大样本数据进一步验证。

目的:建立一种深度学习模型预测调强放疗(IMRT)的三维剂量分布。方法:收集直肠癌术后IMRT患者共110例，随机数表法选择其中90例作为训练验证集并作9折交叉验证，剩下20例作为测试集。构建3D U-Res-Net模型，以CT影像、靶区和危及器官(OARs)的解剖结构以及射束信息作为输入，IMRT剂量作为输出训练该模型，并用来预测测试集病例的剂量分布。采用三维剂量分布以及剂量—体积直方图(DVH)剂量参数评估预测精确性。结果:在三维剂量分布上，体素剂量的平均预测偏差为-2.12%～2.88%、平均绝对误差为2.55%～5.75%；等剂量面的Dice系数均在0.9以上，平均霍夫距离(HD 95)和平均表面距离(MSD)分别0.61～1.54 cm和0.21～0.45 cm。对于DVH剂量参数，除膀胱 Dmean ( P＝0.048)以外，其他剂量学参数差异均无统计学意义( P>0.05)。 结论:基于3D U-Res-Net模型可以实现直肠癌术后IMRT剂量分布预测，为自动计划设计奠定基础。

目的:提出一种基于剂量预测的放射治疗计划质量定量评价方法，并验证该方法的临床可行性和临床价值。方法:基于45例5年以上从业经验的物理师制定的直肠癌病例，训练3D U-Net网络。利用3D U-Net网络预测得到三维剂量分布后，基于剂量预测的剂量-体积直方图(DVH)指标，建立调强放射治疗(IMRT)直肠癌计划质量评估标准，对直肠癌放疗计划进行初次打分。以预测剂量为优化目标，对放疗计划重新优化制定，并再次打分。在15例直肠癌病例上进行测试，比较优化前后计划得分情况以及剂量学参数差异，从而验证该打分方法的临床意义。结果:优化前后的计划均满足临床剂量要求。优化前的总得分为(77.21±9.74)分，优化后的总得分为(88.78±4.92)分，优化后的计划得分提升，且差异具有统计学意义( t＝-4.105, P<0.05)。相比优化前，优化后的计划所有危及器官的 Dmax均有不同程度地降低，优化后的计划在靶区 Dmax、 V107%、HI和膀胱的 Dmax等指标上均有降低，且差异具有统计学意义( t＝2.346~5.771， P<0.05)，在其他指标上优化前和优化后的差异无统计学意义( P>0.05)。优化后的计划质量有一定程度提升。 结论:本研究提出的结合剂量预测的放疗计划质量的定量评价方法，可以针对计划质量进行个性化地有效评估，有利于更好地对比审核不同物理师制定的临床计划质量，并且提供个性化的剂量指标，对临床计划的制定具有较强的指导意义。

目的:比较三种智慧放疗计划预测模型的精度与泛化鲁棒性，为模型选择提供依据。方法:收集45例前列腺癌和25例鼻咽癌临床放疗计划，运用Z、L、S模型预测前列腺癌中膀胱和直肠、鼻咽癌中左右腮腺的剂量体积直方图(DVH)。应用预测DVH与临床DVH曲线下面积的差别(|DVH 预测-DVH 临床|)评价预测误差，误差越小则预测精度越高。在单个危及器官(OAR)上比较3种预测模型的精度，并在不同OAR中计算各模型预测精度的标准差以评价和比较模型的泛化鲁棒性。 结果:对于膀胱和直肠，L模型的预测误差(0.114和0.163)显著大于Z和S模型(≤0.071， P<0.05)；对于左腮腺，S模型的预测误差(0.033)与Z和L模型相近(≤0.025， P>0.05)；对于右腮腺，S模型的预测误差(0.033)显著大于Z和L模型(≤0.028， P<0.05)。在不同OAR上，S模型的预测精度标准差比Z、L模型小(分别为0.016、0.018和0.060)。 结论:在前列腺癌膀胱和直肠的DVH预测中Z和S模型的精度较高，而在鼻咽癌左右腮腺中Z和L模型较高，在不同OAR上S模型的泛化鲁棒性相对较好。

目的:比较两种不同累积方式下宫颈癌放疗累积剂量，并分析直肠累积剂量与放射性直肠炎严重程度相关性。方法:回顾分析278例已完成放疗的宫颈癌患者资料，对其中发生放射性直肠炎的49例患者分别采用直接"剂量－体积"直方图参数累积方法(S-DVH组)与图像形变配准方法(DIR组)获得累积剂量(EQD 2Gy)，并统计该278例患者S-DVH法的直肠累积剂量(D 2.0cm 3、D 1.0cm 3、D 0.1cm 3)。采用 Spearman法进行相关分析。 结果:S-DVH组较DIR组的高危临床靶体积D 90%高2 Gy[(88.66±5.75) Gy∶(86.66±5.54) Gy, P<0.05]，膀胱D 2.0cm 3、D 1.0cm 3分别高2.13Gy[(82.46±6.91) Gy∶(80.33±6.86) Gy， P<0.05]、2.35 Gy[(88.46±4.37) Gy∶(86.11±3.93) Gy， P<0.05]，直肠D 2.0cm 3、D 1.0cm 3分别高[1.99 Gy (72.49±5.17) Gy∶(70.50±5.03) Gy， P<0.05]、2.71 Gy[(78.87±4.50) Gy∶(76.16±4.14) Gy， P<0.05]。直肠D 2.0cm 3、D 1.0cm 3、D 0.1cm 3与放射性直肠炎严重程度呈正相关。 结论:两组累积剂量不同但均在可接受范围，临床上为了简便可用S-DVH法评估。直肠D 2.0cm 3、D 1.0cm 3、D 0.1cm 3可用于预测直肠放疗不良反应。