目的:探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。方法:生成对抗网络(GAN)是一种利用神经网络的生成模型，输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证，再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据，利用靶区和器官轮廓信息直接生成剂量分布图。结果:对于理想数据验证，GAN生成模拟分布效果优良，通过提取靶区轮廓和真实剂量切片数据使用cGAN训练，得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%，3.37%](计划靶体积)、[2.63%，2.87%](脑)、[1.50%，2.70%](临床靶体积)、[3.87%，1.79%](大体肿瘤体积)、[3.60%，3.23%](危及器官-1)、[4.40%，3.13%](危及器官-2)。结论:利用GAN模型可以生成模拟分布数据，同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布，是剂量预测的一种有效尝试。

目的:探讨丙氨酸氨基转移酶(ALT)水平对原发性肝癌(以下简称肝癌)发病风险的预测价值。方法:采用回顾性队列研究方法。收集2006年7月至2007年12月在华北理工大学附属开滦总医院(26 980例)、开滦林西医院(18 306例)、开滦赵各庄医院(14 469例)、开滦唐家庄医院(4 389例)、开滦范各庄医院(4 561例)、开滦荆各庄医院(7 623例)、开滦吕家坨医院(4 249例)、开滦林南仓医院(3 136例)、开滦钱家营医院(6 356例)、开滦马家沟医院(2 319例)、开滦医院分院(3 392例)行健康体检的95 780例受试者的体检资料，其中男76 491例，女19 289例；年龄为(51±11)岁，年龄范围为18～98岁。依据ALT三分位水平将受试者分为3组：T1组31 859例(ALT<14.7 U/L)，T2组30 627例(14.7 U/L≤ALT<22.0 U/L)，T3组33 294例(ALT≥22.0 U/L)。由固定医师团队于2006、2008、2010、2012、2014年在相同地点按相同健康体检顺序对受试者进行体检，收集流行病学调查内容、人体测量学及实验室检查指标。观察指标：(1)3组受试者的临床特征比较。(2)受试者随访和肝癌的发病情况。(3)影响受试者新发肝癌的危险因素分析。(4)ALT对肝癌模型预测价值的比较。采用健康体检的方式进行随访，随访内容为肝癌新发病情况和患者生存情况。以2006年首次健康体检时间作为随访起始时间，随访终止事件为发生肝癌、失访、死亡。随访时间截至2018年12月31日。正态分布的计量资料以 ± s表示，多组间比较采用单因素方差分析。偏态分布的计量资料以 M(范围)表示，多组间比较采用Kruskal-Wallis秩和检验。计数资料以绝对数和(或)百分比表示，组间比较采用 χ2检验。采用Kaplan-Meier法计算累积发病率，累积发病率的组间比较采用Log-rank进行检验。使用限制性立方样条曲线(RCS)计算连续变化的ALT和肝癌发病风险的剂量反应关系。而后采用COX比例风险模型分析不同ALT水平分组影响肝癌发病的风险比( HR)和95%可信区间。使用似然比检验和赤池信息量准则(AIC)计算ALT对于肝癌预测模型拟合情况的影响。使用C-统计量计算不同模型的预测能力。 结果:(1)3组受试者的临床特征比较：T1组受试者男性、年龄、收缩压、舒张压、腰围、体质量指数、总胆固醇、甘油三酯、空腹血糖、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、乙型肝炎表面抗原(HBsAg)阳性、高血压病、糖尿病、肝硬化、脂肪肝、恶性肿瘤家族史、吸烟、饮酒、体育锻炼分别为23 516例、(53±14)岁、(130±21)mmHg(1 mmHg＝0.133 kPa)、(82±12)mmHg、(85±10)cm、(24±3)kg/m 2、(4.9±1.1)mmol/L、1.11mmol/L(0.79～1.63 mmol/L)、(5.4±1.6)mmol/L、(1.5±0.4)mmol/L、(2.3±1.0)mmol/L、478例、12 758例、2 482例、15例、5 899例、1 071例、9 553例、5 434例、5 210例；T2组受试者上述指标分别为24 886例、(52±12)岁、(132±21)mmHg、(84±12)mmHg、(87±10)cm、(25±3)kg/m 2、(4.9±1.2)mmol/L、1.27 mmol/L(0.91～1.90 mmol/L)、(5.5±1.7)mmol/L、(1.6±0.4)mmol/L、(2.4±0.9)mmol/L、744例、13 884例、2 677例、13例、9 365例、981例、8 935例、5 216例、5 023例；T3组受试者上述指标分别为28 089例、(50±12)岁、(132±21)mmHg、(85±12)mmHg、(89±10)cm、(26±3)kg/m 2、(5.0±1.2)mmol/L、1.45 mmol/L(1.02～2.28 mmol/L)、(5.6±1.8)mmol/L、(1.6±0.4)mmol/L、(2.3±0.9)mmol/L、1 416例、15 471例、3 583例、70例、15 277例、1 350例、10 514例、6 184例、4 447例；3组受试者上述指标比较，差异均有统计学意义( χ2＝1 181.88， F＝350.52、148.39、417.75、948.63、1 917.20、111.60, χ2＝3 747.25， F＝133.78、18.17、14.45, χ2＝478.33、306.60、181.38、58.19、5 649.18、38.82、45.69、35.11、152.64， P<0.05)。(2)受试者随访和肝癌的发病情况：95 780例受试者随访时间为9.05年(8.75～9.22年)，共有新发肝癌351例，肝癌总发病密度为3.39/10 000人年，女性肝癌发病率为1.11/10 000人年，男性肝癌发病率为3.97/10 000人年。T1组、T2组、T3组肝癌的发病密度分别为2.09/10 000人年、2.54/10 000人年和5.42/10 000人年。T1组、T2组、T3组受试者的肝癌累积发病率分别为2.47‰、3.10‰和6.11‰，3组比较，差异有统计学意义( χ2＝63.50， P<0.05)。(3)影响受试者新发肝癌的危险因素分析。COX比例风险模型分析结果显示：校正性别、年龄、体质量指数、总胆固醇、空腹血糖、HBsAg阳性、高血压病、糖尿病、肝硬化、脂肪肝、恶性肿瘤家族史、吸烟、饮酒、体育锻炼后，与T1组比较，T3组新发肝癌的风险增加( HR＝1.87，95%可信区间为1.40～2.49， P<0.05)。RCS结果显示：ALT与肝癌的发病风险呈非线性相关，且曲线呈上升趋势(RCS_S1_ χ2＝7.21， P<0.05)。(4)ALT对肝癌模型预测价值的比较：建立多因素模型，将性别、年龄、体质量指数、总胆固醇、空腹血糖、HBsAg阳性、高血压病、糖尿病、肝硬化、脂肪肝、恶性肿瘤家族史、吸烟、饮酒、体育锻炼因素共同带入模型中，计算此模型的C统计量、-2Log L值和AIC值，分别为0.791、6 313.30和6 345.30。将ALT三分位数分组带入模型中，以T1组为对照组计算此时模型的C统计量、-2Log L值和AIC值，分别为0.792、6 300.48和6 328.48。多因素＋Fbg模型的C统计量和AIC数值降低，与多因素模型的-2Log L值的差值为12.82，差异有统计学意义( χ2＝12.82， P<0.05)。 结论:ALT是肝癌的独立危险因素。在建立肝癌预测模型或评估肝癌发病风险时，ALT可作为重要的参考指标。

目的:探讨甲磺酸伊马替尼（IM）及其活性代谢产物N-去甲基伊马替尼（NDI）稳态血浆谷浓度（谷浓度）对胃肠间质瘤（GIST）患者中重度不良反应发生风险的预测价值及警戒值。方法:研究对象选自2020年7月至2021年3月于苏州大学附属第一医院接受IM治疗的GIST门诊复诊患者。对入选患者当即询问并记录其相关临床信息以及入组前28 d内IM相关不良反应发生情况，于复诊当天采血（距上次服药22~24 h）测定IM及NDI谷浓度，并于采血后28 d电话随访IM相关不良反应发生情况；通过医院信息系统收集患者采血前、后各28 d内血常规和血生化检查结果。对不良反应进行因果关系判断和严重程度分级后，以未发生和发生Ⅰ级不良反应者为无/轻度组，发生Ⅱ~Ⅴ级不良反应者为中重度组，通过2组患者主要临床特征的比较分析发生中重度不良反应的危险因素，采用受试者工作特征（ROC）曲线分析IM及NDI谷浓度对中重度不良反应发生风险的预测价值及警戒值。结果:纳入分析的患者共119例，113例（95.0%）发生不良反应，无/轻度组65例，中重度组54例。2组患者性别分布和给药剂量分布的差异有统计学意义（ χ2=19.772， P<0.001； χ2=9.817， P=0.020），中重度组女性患者占比、给药剂量为300 mg/d者占比和给药剂量为600 mg/d者占比均高于无/轻度组。中重度组患者IM和NDI谷浓度均明显高于无/轻度组，差异均有统计学意义[1 695(1 258,2 261)μg/L比1 360 (938,1 643) μg/L， P<0.001；324(223,379) μg/L比264(217,338)μg/L， P=0.042]。ROC曲线分析结果显示，GIST患者发生中重度不良反应的IM和NDI谷浓度折点分别为1 539 μg/L（敏感度62.3%，特异度70.3%）和303 μg/L（敏感度56.6%，特异度68.7%），以折点浓度将119例患者分组，中重度不良反应发生率IM谷浓度>1 539 μg/L组和≤1 539 μg/L组分别为63.0%（34/54）和30.8%（20/65），NDI谷浓度>303 μg/L组和≤303 μg/L组分别为59.6%（31/52）和34.3%（23/67），差异均有统计学意义（ P<0.001； P=0.006）。 结论:IM和NDI谷浓度对GIST患者中重度不良反应发生风险有一定预测价值。对IM谷浓度>1 539 μg/L和NDI谷浓度>303 μg/L的患者应加强用药监测，以保证用药安全。

目的:基于三维(3D)U-net深度学习模型，建立预测CT引导下宫颈癌近距离治疗计划的3D空间剂量分布。方法:2021年4－9月收集114例宫颈癌患者三维近距离放疗计划(处方剂量6 Gy)组成数据集，按84∶11∶19划分为训练集、验证集、测试集。利用3D U-net模型进行500次(epoch)训练，分别评估测试集病例体素级的平均剂量偏差(MDD)与绝对剂量偏差(MADD)、等剂量面包围体积的戴斯系数(DSC)、处方剂量适形度指数(CI)、高危临床靶区(HRCTV)的 D90和平均剂量 Dmean、膀胱、直肠、小肠、结肠的 D1 cm 3与 D2 cm 3剂量学参数。 结果:测试集中19例患者的3D剂量矩阵MDD与MADD分别为－0.01±0.03和(0.04±0.01)Gy。50%到150%处方剂量的DSC在0.89到0.94之间，处方剂量CI为0.70±0.04。HRCTV的 D90的平均偏差为2.22%， Dmean的偏差为－4.30%。膀胱、直肠、小肠、结肠的 D1 cm 3与 D2 cm 3最大偏差分别为2.46%和2.58%。模型预测平均耗时2.5 s。 结论:本研究实现了一种基于3D U-net的预测宫颈癌3D剂量分布的深度学习模型，为宫颈癌近距离治疗自动化设计奠定基础。

目的:研究利用生成对抗网络(GAN)建立头颈部肿瘤MRI图像与CT图像的映射模型，实现MRI引导放疗中伪CT (sCT)的预测生成。方法:收集45例鼻咽癌患者治疗前影像信息与IMRT计划信息。首先对MRI (T1)和CT图像进行刚性配准、裁剪、去背景、数据增强等预处理操作；其次对病例进行GAN训练，随机选取30例作为训练集放入网络进行建模学习，另15例用于测试。比较预测sCT与真实CT的图像质量，以及后续比较预测sCT进行重计算的剂量分布与真实计划的剂量分布。结果:测试集的预测sCT与实际CT图像质量比较显示，二者误差较小，体素平均绝对误差值为(79.15±11.37) HU，结构相似性系数值为0.83±0.03。sCT重计算的剂量分布与实际剂量较为接近，不同区域水平下的MAE值相对处方剂量均<1%。在2mm/2%、3mm/3%准则下，所有病例sCT重计算剂量分布的γ通过率均>92%、>98%。结论:提出并实现了使用GAN进行鼻咽癌患者sCT的生成，为MR-IGRT实施奠定了基础。图像质量与剂量学比较均显示了方法的可行性与准确性。

目的:探讨血清促甲状腺素受体抗体（thyrotropin receptor antibody，TRAb）对格雷夫斯病患者 131I治疗后永久性甲状腺功能减退（hypothyroidism，HT）的影响及其预测价值。 方法:选取2013年10月至2021年10月在华北理工大学附属医院行 131I治疗的格雷夫斯病患者479例，其中随访发生永久性HT 350例（永久性HT组），未发生永久性HT 129例（非永久性HT组）。收集两组患者的性别、年龄、甲状腺肿大程度等一般临床资料以及治疗前24 h摄碘率、甲状腺功能和治疗剂量等指标。比较两组患者的一般临床资料和治疗前各检测指标水平，分析格雷夫斯病患者 131I治疗后发生永久性HT的危险因素及治疗前血清TRAb水平的预测价值，评价预测结果与临床诊断的一致性。呈正态分布的计量资料以 xˉ± s表示，两组间比较采用两独立样本 t检验；不符合正态分布的计量资料以 M（ Q1， Q3）表示，两组比较采用Wilcoxon秩和检验；计数资料以例（%）表示，两组间比较采用四格表χ 2检验，等级资料比较采用Wilcoxon秩和检验；多因素分析采用Logistic回归模型。绘制受试者工作特征曲线评估TRAb的预测效能，并根据查约登指数筛选预测临界值；计算敏感度和特异度，计算 Kappa值评价预测结果与临床诊断的一致性。 结果:永久性HT组与非永久性HT组患者的性别、年龄、甲状腺肿大程度、24 h摄碘率和血清促甲状腺激素、游离三碘甲状腺原氨酸、游离甲状腺素水平以及 131I治疗剂量比较差异均无统计学意义（均 P>0.05）；永久性HT组患者治疗前TRAb水平高于非永久性HT组［14.51（4.95，33.58）U/L比3.40（1.67，16.50）U/L］，差异有统计学意义（ Z=5.87、 P<0.001）。多因素Logistic回归分析结果表明，治疗前TRAb水平是 131I治疗后格雷夫斯病患者发生永久性HT的危险因素（比值比=1.042，95% CI：1.025~1.059， P<0.001）。治疗前TRAb水平预测格雷夫斯病患者 131I治疗后发生永久性HT的受试者工作特征曲线下面积为0.674（95% CI：0.616~0.732），最佳临界值为7.025 U/L。以治疗前TRAb>7.025 U/L为预测患者 131I治疗后发生永久性HT的标准，敏感度和特异度分别为73.7%、75.2%，预测结果与临床诊断的一致性中等（ Kappa=0.426）。 结论:治疗前TRAb水平是格雷夫斯病患者 131I治疗后发生永久性HT的危险因素，当TRAb>7.025 U/L时，诊断永久性HT的效能最佳。

目的:应用深度学习神经网络高精度预测非小细胞肺癌(NSCLC)患者容积旋转调强放疗(VMAT)计划的剂量分布。方法:基于Res-Unet基础网络引入大核空洞卷积模块和多头注意力(MHA)机制构建了MHA-resunet网络。在此基础上，以随机数表法从上千例接受VMAT放疗NSCLC患者中选取151例患者，以CT图像、计划靶区(PTV)与危及器官(OARs)轮廓作为输入，以剂量分布图作为输出训练神经网络。然后将该网络的性能与常用的几种网络的性能进行比较，通过PTV与OARs内的体素级平均绝对误差(MAE)和临床剂量体积指标误差对网络性能进行评估。结果:基于MHA-resunet网络的预测剂量与真实计划剂量的平均绝对误差在靶区内为1.51 Gy，靶区的 D98、 D95误差均<1 Gy。与Res－Unet、Atten-Unet、DCNN 3种常用网络比较，MHA-resunet在靶区与除心脏外的OARs内的剂量误差均为最小。 结论:MHA-resunet网络通过提高感受野来学习靶区与危及器官的相对位置关系，能够准确地预测接受VMAT放疗的NSCLC患者的剂量分布。

目的:开发一种基于深度学习网络的乳腺癌调强放疗计划剂量分布预测的方法，并评估将其用于自动计划的可行性。方法:从复旦大学附属肿瘤医院选取240例左侧乳腺癌患者，200例作为训练集，20例作为验证集，另外20例作为测试集。应用深度学习网络建立患者CT影像、靶区和危及器官的勾画图像与剂量分布的相互关系，达到预测新患者剂量分布的目的，并尝试将预测的剂量分布作为目标函数优化并生成治疗计划。结果:临床治疗计划的剂量分布和预测的剂量分布相比，靶区(除同步加量的PTV 48Gy)和危及器官的剂量值相近，且基于预测的剂量分布生成的治疗计划与预测结果基本相同。 结论:本研究实现了一种基于深度学习网络的乳腺癌调强计划剂量分布预测方法，有助于进一步实现自动设计治疗计划的目标。

目的:基于全卷积网络U-Net预测宫颈癌近距离治疗(BT)感兴趣区(ROI)三维剂量分布，并评估其预测精度。方法:首先选取100例宫颈癌腔内结合组织间插植病例作为整个研究数据集，并将其划分为训练集(72例)、验证集(8例)、测试集(20例)；然后利用U-Net建立模型，将是否包含宫腔管及插针作为区分因素训练两个模型；最后对20例测试集病例进行预测，并进行对比分析。模型的性能通过 、 以及平均绝对离差共同评估。 结果:包含与未包宫腔管与插植针的模型相比，直肠的 上升了(16.83±1.82) cGy ( P<0.05)，其余ROI的 或 均相近(均 P>0.05)；高危靶区、直肠、乙状结肠、小肠、膀胱平均绝对离差分别上升了(11.96±3.78)、(11.43±0.54)、(24.08±1.65)、(17.04±7.17)、(9.52±4.35) cGy (均 P<0.05)；中危靶区的下降了(120.85±29.78) cGy ( P<0.05)；6个ROI的平均绝对离差的平均值下降了(7.8±53) cGy ( P<0.05)，更接近实际计划。 结论:利用全卷积网络U-Net可以实现宫颈癌患者BT的三维剂量分布预测；结合宫腔管与插植针作为输入参数，比单一使用ROI结构作为输入能得到更准确的预测结果。

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。