剂量预测联合参数迭代优化算法的VMAT全自动计划研究

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。

Fully automatic volumetric modulated arc therapy planning based on dose prediction combined with an iterative optimization algorithm