两种软件Smart Segmentation与MIM Atlas自动勾画鼻咽癌危及器官的准确性研究

目的 比较两种自动勾画软件（Smart Segmentation与MIM Atlas）勾画鼻咽癌危及器官（OAR）的准确性。方法 回顾性选取2015-2016年浙江大学医学院附属第一医院收治的鼻咽癌患者共55例,在CT图像上手动勾画OAR,以简单随机抽样方式取其中30例在Smart Segmentation与MIM Atlas中创建各自的病例库,剩余25例作为测试病例在两个软件中运行得到两组自动勾画结果。以手动勾画为金标准,计算两组自动勾画结果的戴斯相似性系数（DSC）、豪斯多夫距离（HD）、绝对体积差（△V）,通过比较以上3个参数来评估两种软件勾画鼻咽癌危及器官的准确性。结果 Smart Segmentation与MIM Atlas勾画所有器官的总体DSC分别为（0.79±0.13）和（0.62±0.24）（t=14.06,P<0.05）;总体HD分别为（5.50±3.84）和（8.38±4.88）mm（t=-11.40,P<0.05）;总体△V为（1.52±2.46）、（2.38±3.57）cm³（t=-4.70,P<0.05）。MIM Atlas勾画的11个器官（脑干、视交叉、左右眼晶状体、左右视神经、左右眼球、左右侧腮腺、脊髓）的DSC均值大于Smart Segmentation的结果（t=5.27、4.41、6.34、5.70、10.62、7.45、3.96、4.26、6.25、5.42、7.23,P<0.05）。MIM Atlas勾画的10个器官（脑干、视交叉、左右眼晶状体、左右视神经、左右眼球、左侧腮腺、脊髓）的HD均值小于Smart Segmentation（t=-4.51、-4.49、-3.92、-3.45、-5.36、-5.56、-3.89、-3.90、-3.60、-3.68,P<0.05）。MIM Atlas勾画的6个器官（脑干、视交叉、左眼晶状体、左右视神经、右眼球）的△V均值小于Smart Segmentation（t=-2.83、-3.39、-2.56、-2.27、-2.43、-2.51,P<0.05）。结论 对于体积较大的器官,两种软件都有较好的勾画结果。器官的体积越小、边界越模糊,则勾画结果越差。MIM Atlas的勾画结果总体上优于Smart Segmentation。     

前列腺癌外放射治疗的靶区勾画

外放射治疗是局限期和局部晚期前列腺癌的主要治疗手段,治疗中靶区的勾画至关重要。前列腺癌外放射治疗中要勾画的靶区包括临床靶区(CTV)、计划靶区(PTV)和盆腔淋巴结引流区。综述目前国内外勾画各靶区的方法,重点分析前列腺癌CTV的勾画,介绍MR与CT影像融合的方法勾画临床靶区的优势,以及如何利用CT影像勾画前列腺癌临床靶区。     

基于深度学习的CT图像肋骨自动分割与三维重组研究

目的 探讨基于卷积神经网络的深度学习模型在胸部CT图像上对肋骨区域的自动分割与三维重组的价值.方法 搜集2020年11月至2021年1月在本院行胸部CT检查者共130例(共计33280张轴位图像),以其中的80例作为训练集,20例作为测试集,来自另外三台不同CT设备的被检者各10例作为独立验证集,评价基于四种3D分割网...     

鼻咽癌三维适型调强放疗靶区勾画的研究进展

鼻咽癌是东南亚和中国南方最常见的恶性肿瘤之一,放射治疗是鼻咽癌的首选治疗方法,也是主要的治疗手段。三维适型调强放疗（IMRT）在3D适形放疗（3D-CRT）的基础上利用同步推量等放射技术,使剂量分布与靶区尽可能一致。故IMRT较3D-CRT具有良好的靶区适形及对正常组织良好的保护等特点,研究结果显示,鼻咽癌行调强放疗等综合治疗后,其局部PFS可超过90%,且较明显地提高了生存患者特别是长期生存患者治疗后的生存质量［1］。尽管目前鼻咽癌使用IMRT已经明显地提高了肿瘤的局控率及生活质量,但局部复发及转移仍是失败的主要形式［2］,放疗疗效除与肿瘤的生物学行为有关外,也与靶区勾画的准确程度及放疗技术的有效应用紧密相关,本文就鼻咽癌调强放疗技术及相应靶区勾画的进展综述如下。     

两种自动勾画头颈部危及器官方法的比较研究

目的 设计一种基于深度学习的自动勾画模型,用于勾画头颈部危及器官（OARs）,并与基于图谱方法的Smart segmentation勾画软件进行比较。方法 自动勾画模型由基于深度学习神经网络的分类模型和勾画模型组成。分类模型将CT图像从头脚方向分为6个分类,将每个OARs对应分类的CT图像输入勾画模型进行分割勾画。自动勾画模型使用150例病例训练模型,Smart segmentation使用相同的150例病例组成图谱库,两者同时对20例测试集进行勾画。使用相似度系数（DSC）和豪斯多夫距离（HD）评估2种方法勾画准确性,同时记录两种方法勾画花费时间。根据数据是否满足正态分布,分别使用配对t检验和Wilcoxon符号秩和检验。结果 自动勾画模型的DSC和HD结果如下：脑干为0.88和4.41 mm、左眼球为0.89和2.00 mm、右眼球为0.89和2.12 mm、左视神经为0.70和3.00 mm、右视神经为0.80和2.24 mm、左颞叶为0.81和7.98 mm、右颞叶为0.84和8.82 mm、下颌骨为0.89和5.57 mm、左腮腺为0.70和11.92 mm和右腮腺为0.77和11.27 mm。除腮腺外,自动勾画模型勾画结果均优于Smart segmentation,差异有统计学意义（t=3.115~7.915,Z=-1.352~-3.921,P<0.05）。同时,自动勾画模型速度比Smart segmentation提高了51.28%。结论 利用深度学习方法建立了自动勾画头颈部OARs的模型,得到较准确结果,勾画精度和速度均优于Smart segmentation软件。     

PET图像勾画肿瘤靶区边界的水模研究

目的 通过水模研究,探讨影响18F-脱氧葡萄糖（FDG）PET图像靶区勾画阈值（TH%）的因素,建立计算阈值的公式,为不同生物学特征的肿瘤选取不同阈值.方法 对特制的拥有5个不同大小靶区、7种不同靶区本底放射性比值的水模进行PET/CT图像采集,由图像得到每个靶区的最大标准摄取值（SUVmax）、靶区边界处的SUV（SUVborder）、本底中1 cm×1 cm大小感兴趣区的平均SUV（SUVbg）以及靶区内径（D）等,使用SPSS 13.0的曲线估计和线性回归分析方法,得到计算阈值的公式,并以此对29个经病理检查确诊的肺癌原发灶或转移淋巴结进行肿瘤靶区勾画,求出体积,比较PET和CT图像勾画的体积间的差别.结果 通过分析水模数据,得出阈值与靶区的大小呈负相关,与靶区的SUVmax呈负相关,与SUVbg呈正相关,阈值的计算公式为TH%=33.1%＋46.8%×SUVbg/SUVmax＋13.9%/D,r=0.994.通过对29个病灶进行比较,发现PET和CT勾画的平均大体肿瘤体积（GTV）分别是（7.36±1.62）ml和（8.31±2.05）ml,两者间差异无统计学意义（t=-1.26,P＞0.05）.结论 靶区的大小、SUVmax及SUVbg均会影响靶区勾画阈值;通过公式TH%=33.1%＋46.8%×SUVbg/SUVmax＋13.9%/D可对不同肿瘤计算合适的阈值.按此公式PET和CT勾画的靶区无明显差异.     

局部晚期鼻咽癌诱导化疗后原发病灶靶区勾画的探讨

目的 探讨局部晚期鼻咽癌诱导化疗后原发病灶(GTVnx)靶区勾画。方法 选择2012-2013年收治的52例局部晚期鼻咽癌患者,诱导化疗2~3周期后行CT定位、标记及图像采集;同期采取相同体位行鼻咽部MRI平扫及增强扫描,采集T₁W₁增强图像;分别在CT图像及MRI图像进行GTV_nx勾画;转移淋巴结、CTV1、CTV2及正常组织均在CT图像进行勾画;通过放疗计划系统进行MRI/CT图像GTV_nx靶区融合;两套靶区给予相同处方剂量及正常组织限量,物理师进行调强放疗计划设计。比较不同图像下诱导化疗后GTV_nx、各靶区照射体积及剂量、正常组织受量变化。结果 在局部晚期鼻咽癌诱导化疗后GTV_nx勾画中,MRI图像勾画靶体积大于CT图像[(43.14±28.40)、(40.09±27.04)cm³,t=3.791,P<0.001];MRI图像勾画靶体积与诱导化疗前原发病灶体积差值[(27.90±11.86)cm³]小于CT图像勾画体积差值[(30.64±11.86)cm³](t=3.948,P<0.001)。两套计划原发病灶靶区照射体积比较,融合靶区计划(41.71±26.86)cm³大于CT图像计划[(38.65±25.66)cm³](t=4.098,P<0.001),但靶区剂量及正常组织受量差异无统计学意义。结论 采用MRI图像进行局部晚期鼻咽癌诱导化疗后原发病灶靶区勾画、MRI/CT靶区图像融合进行放疗计划设计,增加原发灶靶区体积及照射体积,可能减少诱导化疗后放射治疗靶区勾画漏靶发生。     

基于卷积神经网络的胸部薄层CT图像肋骨骨折分割与检测研究

目的 探讨基于卷积神经网络(CNN)的深度学习(DL)模型在胸部薄层CT图像上进行自动肋骨骨折分割与检测的价值。方法 搜集本院2021年1月至12月收治的外伤后患者胸部薄层CT图像,包括560例肋骨骨折患者和480例无肋骨骨折患者。使用基于Dense-Net 3D网络的DL模型从CT图像中分割并检测肋骨骨折区域,使用了Dice系数和交并比(IOU)来评价模型的分割效果,使用自由反应ROC(FROC)曲线来评价模型在骨折的检测任务中的灵敏度和假阳性表现。结果 基于Dense-Net 3D网络的DL模型在肋骨骨折分割任务中Dice系数达到0.8430,IOU达到0.7286,平均每次扫描的假阳性结果数为10时,模型对皮质断裂骨折的检测灵敏度为95.05%,对皮质扭曲骨折的灵敏度为81.52%,对两类骨折的综合灵敏度为90.51%。结论 基于CNN的DL模型对胸部薄层CT图像上肋骨骨折分割与检测效能良好,模型具有一定的通用性和泛化能力,其准确率可满足部分临床需求。     

局限期前列腺癌放疗精囊临床靶区勾画范围的研究

目的 探讨局限期前列腺癌精囊临床靶区（CTV）的勾画范围。方法 114例接受根治性放疗的局限期中、高危前列腺癌患者行定位CT扫描,对比欧美指南共同参考的精囊亚临床灶范围的病理结果,得到精囊长轴距起点1.0 cm和2.0 cm处的精囊截面,确定精囊近端1.0 cm和2.0 cm的解剖范围,然后测量两个截面距精囊起始平面的最大垂直距离（D_10H、D_20H）和最小垂直距离（D_10L、D_20L）,并与欧美指南规定的勾画范围对比,进一步指导高剂量区精囊CTV的勾画范围。结果D_10H、D_10L、D_20H、D_20L平均值分别为（10.6 ± 1.8）、（2.1 ± 2.0）、（17.2 ± 2.9）和（8.8 ± 2.7）mm,包括95%病例的D_10H和D_20H分别为13.5和21.5 mm,多因素分析显示,D_10H和D_20H与精囊倾斜角度和横断面最大径相关（R²=0.64和0.77, P<0.01）。对比欧美指南规定的精囊靶区勾画方法,即自精囊起始平面开始沿人体长轴方向垂直向上勾画1.0 cm或2.0 cm作为CTV时,分别有65.8%（75/114）及17.5%（20/114）的病例无法完全包含根部1.0 cm或2.0 cm的精囊。结论 局限期中、高危前列腺癌勾画高剂量区精囊CTV时,按照现行欧美指南的画法存在部分亚临床病灶漏照风险。若要包含1.0 cm 近端精囊,推荐前内侧部垂直向上勾画1.4 cm、后外侧部垂直向上勾画0.5 cm可包含95%病例的亚临床病灶;若要包含2.0 cm 近端精囊,前内侧部垂直向上勾画2.2 cm即可,后外侧部可适当降低,但不低于1.4 cm。     

基于MIM软件自动勾画肺癌危及器官精准度的研究

目的 探讨基于MIM软件对肺癌危及器官(OAR)自动勾画时数据库入库病例数的增加及匹配数目的不同对自动勾画结果的影响。方法 运用MIM软件建立5组肺癌数据库(入库病例数目分别为20、40、60、80、100例)。随机选择数据库外10例肺癌患者图像,由一名临床经验丰富的医师进行OAR的手动勾画,将其定义为参考勾画,并对该10例患者图像进行OAR自动勾画,勾画匹配数目分别选择为3和9。通过定量评价勾画时间、豪斯多夫距离(HD)、平均最小距离(MDA)、Dice相似性系数(DSC)以及Jaccard系数(JSC),将自动勾画结果与参考勾画进行单因素方差分析,从而探讨不同数据库病例数及匹配数对自动勾画结果的影响。结果 勾画匹配数目选择为3或9时,5组模板中平均自动勾画时间均小于手动勾画,但各组间没有差异性;当勾画匹配数为9时会明显增加自动勾画OAR时间,但仍低于手动勾画OAR所需时间。5组数据库的自动勾画结果之间没有显著性差异(P>0.05)。对于脊髓来说,当匹配数为9时,100例数据库自动勾画结果的MDA、JSC的结果优于40例、60例组;但对于其他器官而言,在5组不同的数据库中,在3...     

基于深度学习的多模态影像脑胶质母细胞瘤放疗靶区的自动勾画研究

目的 通过建立深度学习模型,探索多模态影像对脑胶质母细胞瘤放疗靶区自动勾画效果的影响。方法 收集30例脑胶质母细胞瘤患者的电子计算机断层扫描(CT)序列和磁共振成像(MRI)的对比增强T1加权序列(T1C)以及T2液体衰减反转恢复序列(T2-FLAIR),对每例病例的原发肿瘤靶区(GTV)及其对应的临床靶区1(CTV1)和临床靶区2(CTV2)根据RTOG标准进行人工勾画,并设计4种不同的数据集:CT数据集(仅含30例CT序列的单模态数据)、CT-T1C数据集(包含30例CT序列和T1C序列的双模态数据)、CT-T2-FLAIR数据集(包含30例CT序列和T2-FLAIR序列的双模态数据)和CT-MRIs数据集(包含30例CT序列、T1C序列和T2-FLAIR序列的三模态数据)。使用每种数据集中的25例对改进后的3D U-Net进行训练,并用剩余5例进行测试。评价测试样本中GTV、CTV1和CTV2的自动勾画效果,定量评估指标包括Dice相似系数(DSC),95% Hausdorff距离(HD95)和相对体积误差(RVE)。结果 该3D U-Net模型在多模态影像CT-MRIs上获得最好的GTV自动分割结果,与在单模态影像CT的自动分割结果相比(DSC: 0.94 vs. 0.79, HD95: 2.09 mm vs. 12.33 mm and RVE: 1.16% vs. 20.14%),DSC(t=3.78,P<0.05)和HD95 (t=4.07, P<0.05)的差异有统计学意义;在多模态影像CT-MRIs的CTV1和CTV2自动分割结果(DSC: 0.90 vs. 0.91, HD95: 3.78 mm vs. 2.41 mm, RVE: 3.61% vs. 5.35%)也均有较好的一致性,但与单模态影像CT的自动分割结果相比,两个靶区的DSC和HD95的差异均无统计学意义(P>0.05)。该模型对于GTV的上下界和CTV2临近的重要器官(如脑干和眼球)的自动勾画有一定的局限性。结论 基于改进后的3D U-Net在多模态影像数据集CT-MRIs上对脑胶质母细胞瘤放疗靶区具有更好的分割效果,显示出较好的临床应用价值。     

Assessment of a novel deep learning-based marker-less motion capture system for gait study

BackgroundMarker-less systems based on digital video cameras and deep learning for gait analysis could have a deep impact in clinical routine. A recently developed system has shown promising results in terms of joint center position but has not been yet evaluated in terms of gait outcomes.Research questionHow does this novel marker-less system compare to a marker-based reference system in terms of clinically relevant gait parameters?MethodsThe deep learning method behind the developed marker-less system was trained on a dedicated dataset consisting of forty-one asymptomatic and pathological subjects each performing ten walking trials. The system could estimate the three-dimensional position of seventeen joint centers or keypoints (e.g., neck, shoulders, hip, knee, and ankles). We evaluated the marker-less system against a marker-based system in terms of differences in joint position (Euclidean distance), detection of gait events (e.g., heel strike and toe-off), spatiotemporal parameters (e.g., step length, time), kinematic parameters (e.g., hip and knee extension-flexion), and inter-trial reliability for kinematic parameters.ResultsThe marker-less system was able to estimate the three-dimensional position of joint centers with a mean difference of 13.1 mm (SD = 10.2 mm). 99% of the estimated gait events were estimated within 10 ms of the corresponding reference values. Estimated spatiotemporal parameters showed zero bias. The mean and standard deviation of the differences of the estimated kinematic parameters varied by parameter (for example, the mean and standard deviation for knee extension flexion angle were −3.0° and 2.7°). Inter-trial reliability of the measured parameters was similar to that of the marker-based references.SignificanceThe developed marker-less system can measure the spatiotemporal parameters within the range of the minimum detectable changes obtained using the marker-based reference system. Moreover, except for hip extension flexion, the system showed promising results in terms of several kinematic parameters.     

基于人工神经网络模型的鼻咽癌VMAT计划质量控制方法

目的训练放疗计划个体化三维剂量预测模型,并使用该模型建立计划质量控制方法。方法回顾性分析99例已临床实施的早期鼻咽癌同步加量容积旋转调强放疗(VMAT)计划,提取7个几何特征,包括各危及器官(OARs)到PTV、加量靶区和外轮廓的最小距离,及4个坐标位置关系特征。训练(89例)并验证(10例)基于人工神经网络(ANN)的三维剂量分布预测模型;然后基于该预测模型建立放疗计划质量控制方法。以各危及器官剂量学参数D2%、D25%、D50%、D75%和平均剂量(MD)为质量控制指标,通过标准为人工计划和预测剂量差别≤10%。采用由低年资物理师设计的10例计划,对该质量控制方法进行测试。结果18个头颈部OARs的主要剂量学指标,预测剂量与专家计划结果差异无统计学意义。剂量预测结果与专家计划相比,D2%、D25%、D50%、D75%和平均剂量(MD)的差别均控制在1.2 Gy以内。由低年资物理师设计的10例计划均达到常规临床剂量限值的要求,而利用建立的质量控制方法检出1例计划的脊髓、脊髓危及器官的计划体积(PRV)、脑干和脑干PRV剂量限制有待改善。根据模型预测值重新优化计划后,脊髓和脑干D2%分别降低了8.4和5.8 Gy。结论提出了一种简单易行的放疗计划质量控制方法,能克服统一性剂量限值未考虑患者特异性的缺陷,可提高个体化计划质量和稳定性。     

A novel dataset and deep learning-based approach for marker-less motion capture during gait

BackgroundThe deep learning-based human pose estimation methods, which can estimate joint centers position, have achieved promising results on the publicly available human pose datasets (e.g., Human3.6 M). However, these datasets may be less efficient for gait study, particularly for clinical applications, because of the limited number of subjects, their homogeneity (all asymptomatic adults), and the errors introduced by marker placement on subjects’ regular clothing.Research questionHow a new human pose dataset, adapted for gait study, could contribute to the advancement and evaluation of marker-less motion capture systems?MethodsA marker-less system, based on deep learning-based pose estimation methods, was proposed. A new dataset (ENSAM dataset) was collected. Twenty-two asymptomatic adults, one adult with scoliosis, one adult with spondylolisthesis, and seven children with bone disease performed ten walking trials, while being recorded both by the proposed marker-less system and a reference system – combining a marker-based motion capture system and a medical imaging system (EOS). The dataset was split into training and test sets. The pose estimation method, already trained on the Human3.6 M dataset, was evaluated on the ENSAM test set, then reevaluated after further training on the ENSAM training set. The joints coordinates were evaluated, using Bland-Altman bias and 95 % confidence interval, and joint position error (the Euclidean distance between the estimated joint centers and the corresponding reference values).ResultsThe Bland-Altman 95 % confidence intervals were substantially improved after finetuning the pose estimation method on the ENSAM training set (e.g., from 106.9 mm to 17.4 mm for the hip joint). With the new dataset and approach, the mean joint position error varied from 6.2 mm for ankles to 21.1 mm for shoulders.SignificanceThe proposed marker-less system achieved promising results in terms of joint position errors. Future studies are necessary to assess the system in terms of gait parameters.     

机器学习在鼻咽癌影像分析中的研究进展

鼻咽癌的诊疗高度依赖临床医生对临床影像数据的分析处理,但人工分析处理影像主观、耗时。而机器学习用于鼻咽癌影像分析能够较好地实现肿瘤病灶自动或半自动分割、分类,有利于提高临床医生的诊疗效率和准确度。就机器学习在鼻咽癌的MRI、CT、鼻内镜影像分割中的应用及其在影像分类中的研究进展予以综述。     

18F-FDGPET/CT勾画鼻咽癌原发肿瘤体积最适阈值的研究

目的 寻找¹⁸F-FDG PET/CT勾画鼻咽癌大体肿瘤体积（GTV）的最适阈值。 方法 16例初诊鼻咽癌患者在治疗前接受¹⁸F-FDG PET/CT及MRI检查,将MRI/CT融合图像上勾画的肿瘤GTV定义为GTV_f,¹⁸F-FDG PET/CT勾画肿瘤范围为BTV。不同阈值条件下的BTV通过调整最大标准摄取值（SUV_max）的比例得到。将不同阈值条件下的BTV和GTV_f进行比较,当二者在体积及形态学上达到最佳匹配时对应的阈值水平为最适阈值（sTL）。sTL×SUV_max得到相应的最适标准摄取值（sSUV）。 结果 16例患者最适阈值sTL（%）为20.93±6.51, 相应的最适标准摄取值sSUV为2.27±0.48。 sTL与SUV_max呈负相关（R²=0.85,F=78.57,P<0.05）;sSUV与SUV_max呈正相关（R²=0.75,F=41.88,P<0.05）;sTL与GTV_f无相关性。 结论 利用SUV_max阈值法勾画鼻咽癌GTV是可行的,最适阈值不是一个固定数值,与SUV_max相关,与肿瘤体积没有明显相关性。     

介入动脉化疗加放射治疗鼻咽癌的近期疗效

目的 探讨经颈动脉灌注化疗药物治疗加放疗对鼻咽癌的疗效.方法 22例患者经临床(包括鼻咽镜检)、影像学(CT、MR)和病理学检查确诊为鼻咽癌,经颈外动脉介入化疗后加放射治疗.化疗药物为阿霉素(ADM)或吡柔比星、5-氟尿嘧啶(5-FU)和顺铂(DDP)或卡铂(CBP).同时随机选择同期单纯放疗的25例作为对照,比较其疗效.结果 介入组总有效率为100.0%,其中CR为90.9%(20/22),对照组总有效率为100.0%,其中CR为68.0%(17/25),两组分别比较差异有统计学意义(P＜0.05).结论 介入动脉化疗后加放射治疗能显著提高鼻咽癌治疗的疗效.     

儿童及青少年鼻咽癌调强放射治疗联合化疗疗效分析

目的 回顾性分析儿童及青少年鼻咽癌调强放射治疗和化疗的治疗结果及不良反应。方法 收集2010年4月至2016年4月治疗的<19岁鼻咽癌患者43例。所有入组患者均接受调强放射治疗（IMRT）和基于铂类的化疗,放疗总剂量61.2~76 Gy。计算总生存（OS）时间和无进展生存（PFS）时间;分析患者临床特征及治疗的不良反应和远期并发症。结果 入组患者中位年龄14岁（6~18岁）,≤14岁患者28例（65.1%）,男性29例（67.4%）,女性14例（32.6%）,100%患者为非角化型癌。根据美国癌症分期联合委员会第7版,Ⅱ期2例（4.6%）,Ⅲ期26例（60.5%）,Ⅳ_A期7例（16.3%）,Ⅳ_B期8例（18.6%）。治疗前EB病毒依壳抗原IgA抗体阳性率53.8%（7/13）,Rta-IgG抗体阳性率60.0%（6/10）。IMRT中位剂量70 Gy（61.2~76 Gy）,33例患者（76.7%）接受诱导化疗,20例（46.5%）采用同步放化疗,36例（83.7%）接受了辅助化疗。中位随访24个月（3~76个月）,5年OS和PFS分别为75.3%和64.7%,5例（11.6%）患者治疗后2年内出现骨转移,47.4%（9/19）患者IMRT后促甲状腺激素（TSH）增高或伴有T3、T4减低。结论 儿童及青少年鼻咽癌特点为肿瘤分化差,临床分期晚,能够耐受放化综合治疗。骨转移是最常见的治疗失败模式,放疗后甲状腺功能减退较为常见。