基于迭代更新模型的鼻咽癌自动计划质量研究

2022-03-14王艺璇朱金汉张丹丹邓小武周凌宏

中国医学物理学杂志 2022年2期

王艺璇，朱金汉，张丹丹，邓小武，周凌宏

1.南方医科大学生物医学工程学院，广东广州 510515；2.中山大学肿瘤防治中心放疗科/华南肿瘤学国家实验室/肿瘤医学协同创新中心，广东广州 510060

前言

鼻咽癌是我国常见的头颈部恶性肿瘤，主要发生在中国南方、东南亚、北非和阿拉斯加地区［1］。由于鼻咽癌的生物学特性和鼻咽解剖位置的特殊性，调强放射治疗技术成了其目前最佳的治疗技术［2］。早期的多篇文献报道表明，经调强放射治疗后，鼻咽癌的局部控制率可达到90%以上。而计划设计的质量是肿瘤治疗效果的关键因素之一［3-7］。

目前国内的放射治疗水平参次不齐，尤其是物理师/剂量师的计划设计水平，往往成了导致各放疗单位鼻咽癌预后差异大的重要因素之一。另一方面，由于自适应放疗（Adaptivera-diotherapy,ART）能明显减少正常组织毒性和提高肿瘤控制率，因此成为放疗技术发展的趋势之一，放疗中修改计划，甚至重新设计放疗计划将会变得越来越频繁，这将使鼻咽癌自动计划设计的需求日益迫切［8-11］。

目前能够实现自动计划的方式主要有：①基于计算机循环优化算法，如Pinnacle Auto Planning；②基于经验计划的自动计划，如瓦里安的Eclipse Rapid Plan［12］。其中基于经验计划的自动计划，也称为基于先验知识的计划（Knowledge Based Planning），是现今自动计划的主要方法。该方法根据已有的经验知识建立数据库，预测新计划并得出最佳的剂量。其中危及器官剂量体积直方图（Dose Volume Histogram,DVH）的预测是通过病人器官结构的信息来评估的。而事实上，基于先验知识的自动计划优化模型的构建对最终优化结果有着很大的影响。所以建立一个好的模型对Rapid Plan 的实现至关重要，而优质的训练数据是建立好模型的关键之一［13-15］。

本文笔者使用一种新的迭代更新方法来提高模型质量，在减少建模工作量的同时，有效提高建模数据的质量，减少因训练数据质量差异所造成模型的不稳定性。预期结果可以有效改善自动计划的预测能力及自动计划引导的计划质量，在临床上推广和应用具有重要的意义。

1 材料与方法

1.1 临床计划筛选及计划质量评估

选取2018年1月～2019年12月在中山大学肿瘤防治中心接受调强放射治疗的鼻咽癌患者117 例，参考Jin 等［16-18］对计划质量评估方法的研究以及RTOG Protocol 0615 报告来制定计划质量评估指标。评分标准如式（1）所示：

其中，wi和wj是打分权重。Xi为靶区计算指标，N为靶区总指标个数。Xj为危及器官指标，M为危及器官总指标个数。该函数靶区作为一个加分参数，危及器官作为一个罚分参数，体现了在尽可能保证靶区效果同时降低危及器官剂量。117例鼻咽癌患者均接受根治性放疗，各靶区和危及器官剂量标准详见表1。

表1 鼻咽癌靶区和危及器官剂量标准Table 1 Dose limits for target areas and organs-atrisk in patients with nasopharyngeal carcinoma

1.2 自动计划建模

自动计划通过Eclipse（13.6）的Rapid Plan自动计划模块完成。将计划的CT 图像、勾画轮廓、剂量、DVH 等导入到Rapid Plan 自动计划模块，训练并核实，最终形成基于输入数据的鼻咽癌调强计划自动优化模型，此模型的建立基于对过去治疗计划数据的分析和萃取，即用大数据分析方法对计划的靶区、正常组织位置关系及DVH 进行回归分析，得到每一个解剖结构的DVH与几何条件关联参数。

1.3 模型迭代方法

模型迭代整体方法如下：（1）基于原临床计划进行打分，并设定分数阈值选取入组建模计划，获得初始模型A1。（2）第i次（i=2或3）迭代针对i-1次未入组计划，通过i-1 建立的模型重新辅助优化计划并经高年资物理师手工微调生成新的计划，与之前入组计划一起进行打分排序，重新筛选新的入组计划，依次得到模型A2、A3。（3）每次迭代都比i-1次迭代提高入组分数阈值，使得训练集的整体分数不断提高，A3为最终模型。

1.4 模型验证

选取20 例鼻咽癌病例对本研究的迭代更新模型进行自动计划优化测试。测试计划均采用与模型样本相同的能量、处方、布野及优化算法。比较原手工设计调强计划与3种模型自动计划的差异，对其打分评估，并比较具体DVH参数，验证此自动计划模型在鼻咽癌调强计划中的可行性和可靠性。

1.5 统计学方法

使用SPSS20.0 统计软件对4 组计划的剂量学参数进行两两比较分析，并采用配对t检验进行统计学分析，P＜0.05为差异有统计学意义。

2 结果

2.1 模型迭代入组分数阈值及入组计划数

模型A1 选取分数大于30 分的计划72 例；模型A2 选取分数大于35 分的计划82 例；模型A3 选取分数大于40 分的计划100 例。A3 为迭代结束最终模型。

2.2 不同计划组中计划质量的综合评价比较

对20 例测试病例进行打分。图1列出20 例测试病例原手工计划与3个模型评分结果。表2为4组计划分数统计结果。最终迭代结果模型A3平均分数高于原手工计划，3 个迭代模型间，A2 模型平均分数高于A1，A3 模型平均分数高于A2，差异均有统计学意义（P＜0.05）。

图1 20例测试计划分数柱状图Figure 1 Test plan score histogram of 20 cases

表2 4组计划分数比较分析（± s，分)Table 2 Comparison of average scores of 4 sets of plans(Mean±SD,score)

原手工计划A1 A2 A3 40.29±12.86 42.09±12.31 45.34±13.31 46.84±13.09 P值原手工计划vs A3 0.000 A1 vs A2 0.000 A2 vs A3 0.004

2.3 不同计划组中计划靶区的剂量学参数比较

4个组别中20例测试计划所有靶区的剂量覆盖均能满足临床要求。PTVnx的V70Gy箱型图、PTV1的V60Gy箱型图、PTV2的V54Gy箱型图见图2。表3为4组计划的靶区剂量学参数比较。其中PTVnx的V70Gy以及PTV1的V60Gy，A3 模型与原手工计划相比，差异有统计学意义（P＜0.05），但均值差异没有超过1%。对于靶区PTV2的V54Gy，A1、A2、A3 3个模型自动计划结果均没有统计学差异（P＞0.05）。

图2 4组计划的靶区参数箱型图Figure 2 Box diagrams of the corresponding parameters of target areas in 4 sets of plans

表3 4组计划的靶区剂量学参数比较（± s，%)Table 3 Comparison of dosimetric parameters of target areas in 4 sets of plans(Mean±SD,%)

P值靶区参数原手工计划A1 A2 A3原计划vs A3 0.007 0.001 0.882 A1 vs A2 0.607 0.695 0.140 PTVnx PTV1 PTV2 V70 Gy V60 Gy V54 Gy 98.97±0.69 99.32±0.72 98.02±0.87 99.45±0.50 98.42±1.01 98.60±0.60 99.51±0.48 98.53±1.31 98.33±0.64 99.51±0.48 98.14±1.43 97.99±0.83 A2 vs A3 0.971 0.144 0.060

2.4 4组计划危及器官剂量学参数比较

脑干的V54Gy、脊髓的Dmax、视交叉的Dmax、左右视神经的Dmax、左右颞叶的V60Gy和左侧腮腺的Dmean等危及器官的自动计划与原计划相比有下降趋势，结果具有统计学差异。各参数箱型图见图3。危及器官剂量学参数统计分析见表4。

表4 4组计划危及器官剂量学参数比较（± s）Table 4 Comparison of dosimetric parameters of organs-at-risk in 4 sets of plans(Mean±SD)

P值危及器官参数原手工计划A1 A2 A3 A1 vs A2 0.532 0.000 0.206 0.163 0.002 0.116 0.000 0.000 0.466 0.179 0.024脑干脊髓左晶体右晶体左视神经右视神经左腮腺右腮腺左颞叶右颞叶视交叉V54 Gy/%Dmax/Gy Dmax/Gy Dmax/Gy Dmax/Gy Dmax/Gy Dmean/Gy Dmean/Gy V60 Gy/%V60 Gy/%Dmax/Gy 1.64±2.29 36.22±1.73 7.25±1.74 7.51±2.12 34.82±17.23 32.37±18.39 37.93±3.31 39.65±3.90 0.66±1.09 1.28±1.75 35.82±19.45 0.25±0.57 39.82±1.68 7.69±2.19 7.44±2.49 31.30±16.52 28.66±16.84 37.11±3.70 44.56±5.06 0.54±1.67 1.21±1.67 31.70±18.42 0.21±0.45 33.55±1.60 7.49±1.96 7.69±2.49 28.05±13.76 27.85±16.77 36.34±3.69 39.31±3.75 0.51±1.01 1.09±1.69 28.58±16.34 0.13±0.33 31.73±3.47 7.41±1.92 7.46±2.38 27.47±13.04 25.92±15.09 35.86±1.08 39.43±3.02 0.42±0.83 1.07±1.53 22.71±11.54原计划vs A3 0.004 0.000 0.267 0.711 0.001 0.001 0.002 0.662 0.008 0.011 0.000 A2 vs A3 0.078 0.032 0.518 0.062 0.574 0.023 0.236 0.669 0.156 0.679 0.006

图3 4组计划的危及器官参数箱型图Figure 3 Box diagrams of the corresponding parameters of organsat-risk in 4 sets of plans

3 讨论

本文提出一种基于迭代更新模型的鼻咽癌自动计划方法，由于鼻咽癌病例的复杂性和特殊性，其调强自动计划中的优化结果也不是一次形成的，其优化过程往往2～3 次的微调。基于Wu 等［19］已经证明通过建立包含高质量计划的数据库构建模型能够在腹部肿瘤中准确地预测危及器官的最低剂量。然而，目前的研究中对如何改善基于先验知识的自动计划优化模型并未过多关注。因此本研究以鼻咽癌调强治疗计划作为切入点进行研究。

目前调试模型的方法通常是通过检查模型符合度、强影响点等方法排除或修改异常计划，达到逐步改善模型预测能力的目的。然而这种方法耗时长且过程繁琐。本文通过一种新的迭代更新方法来提高模型质量，借助自动计划指导辅助，产生质量更优的计划，通过迭代更新的方法改变初始模型中训练集来提高模型质量和预测能力，简化了模型调试的过程，减少建模工作量的同时又提高了模型的质量和预测能力。本研究结果显示模型A1、A2、A3 通过更新迭代对计划预测能力有显著提高，测试例综合得分情况呈上升趋势（表2），分别为（42.09±12.31）、（45.34±13.31）、（46.84±13.09）分。对于靶区剂量覆盖来说，模型A1、A2、A3 所有靶区都能满足临床要求，且两两之间的差异很小。对于危及器官来说，通过迭代，模型具有更好的表现。其中对于脊髓的Dmax以及右侧腮腺的Dmean，第一次迭代模型A1 自动计划设计结果甚至高于原手工计划，经过模型迭代后，其结果逐渐下降。同时视交叉的Dmax，左侧腮腺的Dmean以及左右侧视神经的Dmax，经过迭代均有显著下降。

自动计划近年来逐步发展，在鼻咽癌、宫颈癌、前列腺癌、乳腺癌、直肠癌、食管癌等调强放疗中的应用在国内外已有报道［20-24］。目前国内学者任江平等［10］基于Rapid Plan 优化模块，通过建立优化模型，设置优化参数产生的鼻咽癌调强计划，可以达到比常规调强计划更佳的靶区剂量分布结果，并且更好地降低正常组织的剂量，同时获得比常规调强计划更高的优化效率和计划执行效率，在鼻咽癌的调强计划优化中是切实可行的。国内学者黄付静等［25］基于先验知识的宫颈癌调强计划行自动优化的可行性研究，认为宫颈癌术后基于先验知识的调强计划自动优化结果，可以达到与常规调强放射治疗计划相似的靶区剂量分布，并能够降低危及器官的受照剂量，在计划优化应用中是可行的。Wu 等［26］报道，在直肠癌的调强计划自动优化过程中，人工常规设计与模型优化得到的靶区剂量分布相近，但模型优化得到的计划正常器官的剂量显著低于常规临床计划，降低了10.77%～18.65%。

本研究针对鼻咽癌调强治疗计划，通过应用Rapid Plan 优化模块，进行迭代更新模型的方法进行建模，最终通过3 次迭代建立迭代模型A3。最终迭代模型A3 的评分（46.84±13.09）分均优于原手工计划（40.29±12.86）分，且差异有统计学意义（P＜0.05）。该结果与前面其他研究组给出结果一致。具体对于靶区覆盖率，从图2可看出，模型A3 的PTVnxV70Gy，具有更好的覆盖率，对于危及器官来说模型A3 的脑干V54Gy、脊髓的Dmax、右侧腮腺的Dmean、左右颞叶的V60Gy、左右视神经以及视交叉的Dmax均低于原手工计划，可见虽然原手工计划的参数可以满足临床要求，但以上危及器官在确保靶区覆盖的同时还是具有一定的下降空间，即原手工计划的质量有进一步提高的空间。因此，基于解剖特性和先验知识的自动计划Rapid Plan 优化模块产生的鼻咽癌调强计划，均可以达到临床治疗需要。且可以进一步辅助物理师/剂量师设计更加优质的计划，同时也可以作为一种计划质量保证的工具，保证用于治疗的计划质量。