目的:开发并评估一种针对治疗计划系统（TPS）的调强放疗（IMRT）无监督自动计划方案，使其能够模拟人工进行治疗计划的自动优化。方法:回顾性分析2022年3月至2023年3月浙江省肿瘤医院已经完成放疗的25例胃癌患者资料，患者年龄40~60岁，其中训练集7例，测试集18例。所有患者均采用相同的临床处方剂量标准45 Gy分25次，并接受飞利浦大孔径腹部CT扫描，扫描层厚为5 mm。基于深度强化学习（DRL）框架，提出一种多智能体优化决策网络（MOPN），对多个优化目标进行调整，从而模拟临床人工计划设计的过程。所有病例的自动计划方案均借助Eclipse脚本应用程序接口（ESAPI）进行代码编程，由MOPN模型自动生成。利用Wilcoxon符号秩检验比较自动计划方案与人工计划方案在相关剂量学指标间的差异。结果:初始优化目标经过MOPN调整后，自动计划的平均得分由（576.1±221.2）分上升至（1852.8±294.9）分。与临床人工计划相比，MOPN自动计划在脊髓D max、肝D mean和肝V 5 Gy方面分别降低了21.4%、9.8%和11.5%。 结论:MOPN模型借助ESAPI工具完成了与TPS的数据互通，同时也实现了胃癌IMRT治疗计划的自动化设计。经过训练的MOPN模型可以模仿计划者在优化过程中的人为操作来调整多个目标，逐步改善计划质量。

目的:探讨基于Pinnacle脚本构建宫颈癌调强放疗(IMRT)自动计划的可行性及其在宫颈癌计划设计中的优势。方法:回顾性选取2020年1月至2022年8月于蚌埠医科大学第一附属医院放疗科接受宫颈癌IMRT病例共40例，其中25例作为目标函数初始化参考数据，在Pinnacle计划系统中设计自动计划脚本。对剩余15例病例分别进行自动计划与人工IMRT计划设计，比较两种计划设计用时，并通过剂量体积直方图对比靶区剂量学参数及危及器官受照剂量的差异。结果:自动计划组比人工计划组设计用时平均减少32.81 min，差异有统计学意义( t ＝ －12.91, P<0.05)。相较于人工计划组，自动计划组中靶区适形度指数提高了0.01，靶区均匀性指数降低0.02，其中靶区适形度指数的差异有统计学意义( t ＝ －0.08， P<0.05)。自动计划组中膀胱的 V40、 V45和直肠的 V40、 V45分别平均降低了6.88%、4.12%、9.93%、12%，差异均有统计学意义( t ＝ －4.49、－4.46、－3.62、－5.80， P<0.05)。两种计划中小肠的 V30、 V50及 Dmax差异较小，其中 V30和 Dmax的差异均无统计学意义( P>0.05)。与人工计划组相比，自动计划组中双侧股骨头的 V45和 Dmean分别降低了7.9%、106.83 cGy，脊髓 Dmax降低了100.14 cGy，差异均有统计学意义( t ＝ －6.00、－2.52、－2.55， P<0.05)。 结论:基于Pinnacle脚本构建的宫颈癌调强放疗自动计划，在保证靶区剂量均匀性和适形度的同时，降低了危及器官受照射量，同时提高了计划设计效率。

目的:比较基于Auto-Planning的乳腺癌自动调强放疗（a-IMRT）与常规人工调强放疗（m-IMRT）计划的剂量学差异，探讨a-IMRT计划在乳腺癌术后放疗中的应用效果。方法:选取2018年12月至2019年7月本院收治的乳腺癌保乳术后患者10例，其中左乳腺癌5例、右乳腺癌5例。基于Pinnacle 3 V9.10计划系统分别进行a-IMRT计划和m-IMRT计划设计，对比分析两种计划的靶区剂量差异、均匀性指数（HI）、适形度指数（CI）及危及器官（OAR）受照剂量差异。 结果:a-IMRT计划的HI和CI分别为1.08±0.04、0.64±0.06，m-IMRT计划的HI和CI分别为1.11±0.37、0.59±0.07，a-IMRT计划靶区均匀性和适形度均优于m-IMRT计划（均 P<0.05）。两者靶区最大剂量（D max）、最小剂量（D min）、平均剂量（D mean）差异均无统计学意义（均 P>0.05）。双肺接受5、20、30 Gy的体积百分比（V 5、V 20、V 30），患侧肺V 20、V 30、D mean及左乳腺癌心脏D mean、V 30组间比较，a-IMRT计划均明显优于m-IMRT计划（均 P<0.05）。两种计划的脊髓D max、患侧肺V 5、左乳腺癌心脏V 40、右乳腺癌心脏D mean差异均无统计学意义（均 P>0.05）。 结论:乳腺癌的a-IMRT计划达到临床要求剂量的同时，在靶区的均匀性、适形度方面优于m-IMRT计划，且有效降低了肺、心脏的受照剂量。

目的:提出一种基于元启发策略的放疗自动计划方法(ATP-STAR)，并验证其有效性。方法:ATP-STAR方法的主要过程为先对优化参数进行向量化编码，采用高斯卷积修正优化参数，再利用模拟退火选择备选优化参数向量集，结合射野通量优化，并行探索最优的优化参数组合，实现计划自动试错。选取20例肿瘤个体化差异较大的病例进行方法测试。邀请具备5年以上临床工作经验的物理师进行人工计划设计。人工计划和ATP-STAR计划均基于开源matRad计划系统完成，射野及处方剂量与临床治疗计划保持一致。分析不同病种ATP-STAR与人工计划的靶区和危及器官剂量学差异。结果:对靶区而言，ATP-STAR计划的均匀性优于人工计划(脑瘤： z＝2.28, P＝0.022;肺癌： z＝2.29, P＝0.022;肝癌： z＝2.11, P＝0.035)，脑瘤和肝癌ATP-STAR计划的适形性与人工计划相当，肺癌ATP-STAR计划的适形性略差于人工计划( z＝2.29, P＝0.022)。对脑瘤的危及器官而言，相比于人工计划，ATP-STAR计划的左眼晶状体 Dmean平均受量由2.19 Gy降至1.76 Gy( z＝2.28, P＝0.022)，左视神经 Dmean由11.36 Gy降至10.22 Gy( z＝2.28, P＝0.022)，右视神经 Dmax由32.92 Gy降至29.97 Gy( z＝2.10, P＝0.036)，垂体 Dmax由39.53 Gy降至35.21 Gy( z＝2.29, P＝0.022)。对肺癌的危及器官而言，ATP-STAR计划的脊髓 Dmax平均受量由38 Gy降至31.17 Gy( z＝2.12， P＝0.034)，双肺 Dmean由8.51 Gy降至8.07 Gy( z＝2.29, P＝0.022)，心脏 Dmean由3.21 Gy降至2.69 Gy( z＝2.29, P＝0.022)。对肝癌的危及器官而言，ATP-STAR计划的脊髓 Dmax由18.19 Gy降至14.76 Gy( z＝2.11， P＝0.035)，肝脏 Dmean由15.61 Gy降至14.45 Gy( z＝2.11, P＝0.035)，肾脏 Dmean由4.76 Gy降至4.04 Gy( z＝2.10, P＝0.036)。 结论:ATP-STAR方法较少依赖人工计划设计经验，易于推广，有望改善调强放疗计划质量及一致性，并节省临床人力和时间成本。

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:在Raystation计划系统上实现基于危及器官剂量预测和射野角度优化的食管癌调强放疗(IMRT)计划自动设计。方法:选取50例食管癌IMRT计划数据作为训练集，训练危及器官剂量预测模型。另外选取20例病例应用RuiPlan自动计划脚本和人工方法分别进行计划设计，其中在自动计划中使用射野角度优化和危及器官剂量预测模型。配对 t检验比较两组计划的剂量差异和工作效率。 结果:人工计划和自动计划计划靶体积的适形指数、均匀性指数，全肺V 5Gy与脊髓D max均相近(均 P>0.05)。自动计划的左肺和右肺V 20Gy、D mean较人工计划下降1.1%、0.37 Gy和1.2%、0.38 Gy (均 P<0.05)，心脏V 30Gy、V 40Gy、D mean较人工计划下降5.1%、3.0%、1.41 Gy (均 P<0.05)。自动计划的人工操作时间、计算机处理时间、机器跳数较人工计划分别减少了65.8%、14.1%、17.2%(均 P<0.05)。 结论:RuiPlan自动计划脚本能够通过危及器官剂量预测和射野角度优化的方法提高食管癌计划设计效率，为食管癌放疗计划设计提供了另一种可选途径。

目的:评估Ethos在线自适应放疗平台智能优化引擎（IOE）自动优化性能及其临床可行性。方法:回顾性分析11例Halcyon加速器治疗的宫颈癌术后患者的资料，患者所用计划均为Eclipse中采用的4个全弧容积弧形调强放疗（VMAT）手工计划（Manual-4Arc），处方剂量为45 Gy分25次。将所有患者影像和结构导入Ethos模拟器，基于科室剂量限值要求添加合适的临床目标，靶区归一到95%覆盖，之后采用IOE进行自动计划生成，得到7、9、12野均分固定野调强放疗（IMRT）计划（IMRT-7F、IMRT-9F、IMRT-12F）和2、3弧的VMAT计划（VMAT-2Arc、VMAT-3Arc）。使用单因素方差分析对6种计划进行剂量学比较，并基于分析结果进行Turky事后多重比较进行优劣判断，评估IOE自动优化性能。结果:高量方面，对于计划靶区（PTV），IMRT-12F计划的D 1%最低，且与Manual-4Arc计划存在显著性差异（ P=0.004）；靶区覆盖方面，所有方法制作出来的临床靶区均满足临床要求，Ethos在线自适应计划虽在计划制作时做了归一，但PTV靶区覆盖率略微不足。对于距离靶区较近的危及器官，比如膀胱，其V 30 Gy、V 40 Gy及D mean在6种计划之间的差异有统计学意义。膀胱的受量排序基本为IMRT-12F

目的:使用Raystation计划系统脚本，开发一种适用于多病种多计划类型的自动计划平台，以此提高计划设计效率。方法:采用IronPython计算机语言和WPF用户界面框架编写应用程序，针对不同病种不同类型计划在设计中的差异问题，分别从处方识别、可视化计划参数输入和目标优化函数的设置方面进行程序设计。将该自动计划程序应用于全脑照射、鼻咽癌、宫颈癌、食管癌、乳腺癌病种的测试，包括IMRT和VMAT，对比人工计划评估计划设计效率，并选择全脑照射评估计划剂量学参数。结果:程序应用中物理师只需输入并选择必需的计划参数，即可实现放疗计划自动设计。对比5个病种自动计划程序设计效率最大可以提高至2.4倍，全脑照射剂量学参数评估中，人工计划和自动计划均满足临床需求，靶区D 2%、CI、HI相近( P>0.05)，人工计划靶区D 98%和晶体D max的平均值高于自动计划0.4%和7.1%( P<0.05)。 结论:本程序具备了自动计划系统的功能，能够实现多病种多类型放疗计划的自动设计，大幅提高计划设计效率，具有重要的临床应用价值。

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:设计一种软件将随机六维摆位误差引入到直肠癌调强放疗(IMRT)计划中，并评估其剂量学影响。方法:随机选取21例直肠癌IMRT计划作为参考计划(单次剂量2 Gy,共50 Gy；PTV为CTV均匀外扩5 mm)。对参考计划的每个分次，通过调整射野几何参数的方法引入随机生成的六维摆位误差，并重新完成剂量计算。再将各分次剂量累加后得到存在摆位误差情况下的总剂量分布。基于美国瓦里安Eclipse脚本应用程序接口(ESAPI)开发能够自动完成上述流程的治疗模拟软件，将服从两种预设分布[分布1：平移误差服从 N(0，4 2)，旋转误差服从 N(0，2 2)；分布2：平移误差服从 N(0，2 2)，旋转误差服从 N(0，1 2)]的六维摆位误差引入参考计划，并评估剂量学影响。 结果:参考计划、误差分布1和误差分布2情况下，CTV的 Dmin分别为(49.4±0.41)、(47.56±0.76)和(49.17±0.64)Gy；CTV的 D98%分别为(50.23±0.07)、(49.98±0.10)和(50.27±0.09)Gy；主体靶区(靶区除去边缘后的内核部分) D98%为(50.25±0.08)、(50.42±0.13)和(50.33±0.10)Gy；边缘靶区 D98%为(50.22±0.10)、(49.88±0.11)和(50.26±0.10)Gy。另外，相比参考计划，误差分布1和2的情况下，膀胱和股骨头平均受量的变化差异均无统计学意义( P>0.05)，剂量分布的适形指数虽有微弱降低，但临床意义有限。 结论:本方法及据此开发的治疗模拟软件可以根据需要将服从不同分布的六维摆位误差引入到直肠癌IMRT计划中，并给出总体剂量学变化情况。