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: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: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: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:评估通过最小化基于等效均匀剂量（EUD）的损失函数优化放疗计划中危及器官（OAR）剂量体积直方图（DVH）预测方法的实用性。方法:随机选取2020—2021年在中国医学科学院肿瘤医院深圳医院完成鼻咽癌容积调强弧形治疗（VMAT）的66例患者的治疗计划，其中50例用于训练循环神经网络（RNN）模型，其余16例用于测试模型。研究基于RNN构建了DVH预测模型，并为66例患者均设计了一个9野等权重的三维适形计划。训练时将OAR每个分野对应的DVH作为模型输入，VMAT计划的DVH为预期输出，通过最小化基于EUD的损失函数计算的预测误差训练模型。预测准确度用预测值和真实值之间的平均偏差和标准偏差表示。根据DVH预测结果为测试病例重新优化计划，使用Wilcoxon配对检验和箱线图比较新计划和原计划OAR的EUD和感兴趣DVH参数（如脊髓等串型器官的最大剂量）的一致性和差异性。结果:基于EUD的损失函数训练得到的神经网络能够得到更好的DVH预测结果。根据预测DVH得到的新计划与原计划具有很好的一致性：在绝大多数情况下，两组计划的计划靶区（PTV）的D 98%都大于95%处方剂量，脑干、脊髓和晶状体的最大剂量和EUD的差异均无统计学意义（ P>0.05）。相较于原计划，新计划在视交叉、视神经和眼球的最大剂量平均减少1.56 Gy以上，EUD平均减少1.22 Gy以上，颞叶的最大剂量和EUD分别平均增加了0.60 Gy和0.30 Gy。 结论:基于EUD的损失函数提高了DVH预测的准确性，确保预测的DVH能够在治疗方案优化中给出适当的剂量目标，并提高计划质量的一致性。

目的 探讨不可切除局部晚期食管癌患者放免联合治疗后发生≥2级放射性肺炎的危险因素,并构建列线图预测模型.方法 选取2020年1月—2023年1月于徐州医科大学附属医院接受放免联合治疗的不可切除局部晚期食管癌患者110例,收集临床资料进行回顾性分析.观察指标为胸部放疗完成后6个月内放射性肺炎的发生情况.采用单因素和多因素logistic回归分析确定不可切除局部晚期食管癌患者治疗后发生≥2级放射性肺炎的独立危险因素,并构建预测模型.结果 本研究纳入的110例食管癌患者中,33例(30.0％)出现≥2级放射性肺炎.多因素logistic回归分析显示,年龄、吸烟史、计划靶体积(PTV)和V25(肺部接受25 Gy剂量的体积百分比)是不可切除局部晚期食管癌患者治疗后出现≥2级放射性肺炎的独立预测因子.受试者工作特征(ROC)曲线显示,本研究所构建的列线图敏感度和特异度分别为0.758和0.818,曲线下面积(AUC)值达到0.851(95％CI:0.776～0.926),说明列线图具有良好的区分能力.校准曲线显示,≥2级放射性肺炎的实际发生率与列线图预测的≥2级放射性肺炎发生率之间具有较高的一致性.决策曲线分析进一步证实,该模型显示出良好的临床效益.结论 本研究构建了包含年龄、吸烟史、PTV和V25的列线图预测模型,可用于食管癌患者放免联合治疗后发生≥2级放射性肺炎的个体化预测.

目的 研究在RayStation 4.7计划系统平台上实现基于预测模型和自动优化算法的宫颈癌容积旋转调强(VMAT)全自动计划设计.方法 选取40例宫颈癌VMAT专家计划进行分析,使用主成分回归分析方法建立危及器官的体积剂量直方图(DVH)预测模型,运用IronPython编程语言在RayStation4.7计划系统平台上实现基于预测模型的宫颈癌VMAT计划的自动创建和自动优化,并通过与手动计划的比较来评估自动计划的质量和效率.另外选取10例专家计划用于验证模型的准确性和自动计划的可行性.结果 10例宫颈癌VMAT计划测试结果显示预测模型能够很好地预测直肠、膀胱和小肠的剂量体积参数;自动计划与专家计划相当,而与原始手动计划相比,靶区的均匀性和适形性差异无统计学意义(P＞0.05),膀胱平均V40和V50下降4.3％和1.6％,(t=2.75、5.26,P＜ 0.05),直肠平均V30、V40和V50下降6.8％、5.8％和2.1％(t=2.26、3.55、5.19,P＜0.05),左右股骨头平均剂量分别下降380和322 cGy(t =5.55、7.25,P＜ 0.05),小肠平均剂量差异无统计学意义(P＞0.05).自动计划和手动计划平均用时分别为36和53 min.结论 RayStation计划系统平台上基于IronPython语言并结合预测模型的自动计划程序能够快速高效地完成高质量的宫颈癌VMAT计划.

目的 评估利用危及器官DVH预测模型来实现前列腺癌自动计划的可行性.方法 从42例前列腺癌放疗计划数据库随机选择30例作为训练集,根据膀胱、直肠与靶区边界的空间距离将其依次分割成层厚为3 mm的亚体积元(Ai),采用偏正态高斯函数拟合各Ai的微分DVH,优化得微分DVH的精确数学模型;利用嵌入在Pinnacle脚本中的C+子程序获取另外12例验证集患者OARs的各Ai体积,基于建立的数学模型预测各OARs的DVH参数,将其作为目标函数生成个性化Pinnacle脚本实现自动计划.配对f检验比较原临床计划、预测值和自动计划的剂量差异.结果 DVH预测结果显示其膀胱、直肠60 Gy以上剂量的体积分数均低于原临床计划;自动计划的膀胱V70、V60、V50以及直肠V70、V60值均比原临床计划明显降低(P＜0.05),但靶区的覆盖率和适形度基本不变,均匀性略降低(P＞0.05).结论 基于危及器官DVH预测模型的前列腺癌自动计划降低了OARs照射剂量,提高治疗计划设计效率.

背景与目的:"RapidPlan"利用适形调强放射治疗(intensity-modulated radiotherapy,IMRT)中的患者解剖和剂量信息,以剂量体积直方图(dose-volume histogram,DVH)预测模型的方式来预测新计划的剂量分布.针对每种治疗计划系统(treatment planning system,TPS)和治疗机器模型分别建立知识库模型需耗费大量精力且选择繁琐,因此本研究评估基于特定TPS和加速器模型建立的知识库计划模型能否适用于其他TPS和加速器模型.方法:选取2015—2016年于复旦大学附属肿瘤医院采用IMRT技术治疗的50例临床治疗的宫颈癌患者的放疗资料,使用RapidPlan建立基于知识库的计划预测模型.训练数据均基于Pinnacle计划系统,机器模型采用Synergy加速器6 MV光子射线.使用该预测模型对15例宫颈癌病例进行预测,提取目标函数数值后,分别在3组不同的优化环境中重新优化以评估加速器模型和TPS对知识库计划模型的影响:① 与模型构建一致的TPS和加速器模型,即Pinnacle与Synergy;②TPS一致但加速器模型不一致,即Pinnacle与Truebeam;③TPS和加速器模型都不一致,即Eclipse和Truebeam.评估方法为基于知识库模型生成的计划与相应环境下人工计划进行剂量学比较.结果:组2和组3中,知识库计划与人工计划得到相似质量的计划靶区(planning target volume,PTV)剂量覆盖,而在组1中知识库计划改善了PTV的D2％(0.95 Gy,P<0.01)和剂量均一性指数(homogeneity index,HI)(0.02,P<0.01).知识库计划降低了所有3组计划的膀胱V30、V45和平均剂量,同时知识库计划还降低了肠道的平均剂量.结论:基于知识库的计划模型对加速器和TPS的依赖并不显著.