通过剂量和NTCP预测，高效地筛选适合头颈部癌症患者的质子-光子治疗方案

《MEDICAL PHYSICS》：Efficient proton–photon patient selection via dose and NTCP prediction for head and neck cancer patients

　　质子治疗与光子治疗的选择优化研究：基于三维注意力U-Net的联合模态预测框架在104例头颈部癌症患者中验证，实现平均10.1秒/患者的AI辅助决策效率，NTCP预测误差较传统模型降低18.2%，在咽部功能障碍分级≥2和≥3时预测准确率分别达86.54%和89.42%。

　　

摘要

背景

与光子疗法（XT）相比，质子疗法（PT）通常可以减少头颈部（HN）癌症患者的正常组织毒性，尽管其资源较为有限。另一方面，在PT和XT之间进行临床决策（例如治疗计划制定以及随后比较两种疗法对正常组织并发症概率（NTCP）的评估）既耗时又需要大量资源。

目的

本研究旨在开发并验证一种基于人工智能（AI）的自动化方法，以高效地选择适合接受PT或XT治疗的患者。

方法

研究分析了104名双侧头颈部癌症患者的数据，这些患者接受了自动规划的重叠PT和XT治疗，涵盖了多种肿瘤部位和不同的剂量水平。为了确保剂量和NTCP预测的准确性，研究人员开发了一个联合模态预测框架，该框架结合了3D注意力门控U-net模型和多约束损失函数。采用分层10折交叉验证策略来评估和比较模型性能。根据《Landelijk Indicatie Protocol Protonentherapie》（版本2.2，LIPPv2.2）的标准，通过比较PT和XT治疗引起的II/III级口干/吞咽困难患者的NTCP差异来选择适合接受PT治疗的患者。

结果

AI辅助的患者选择过程每例患者大约需要10.1秒。该方法在患者选择方面的准确率为85.58%，加权准确率为81.11%。对于吞咽困难程度≥2级和≥3级的患者，预测结果与实际结果的吻合率分别为86.54%和89.42%。与之前的模型相比，所提出方法的平均ΔNTCP预测误差（ΔNTCP（实际值）— ΔNTCP（预测值），均值±标准差）为1.47±1.80%，统计上低于U-net模型（1.67±2.20%）和层次密集连接的U-net模型（2.34±3.25%）。此外，使用注意力门控U-net模型对PT和XT的剂量分布进行联合模态预测，其性能与单独的单一模态预测相当。

结论

本研究展示了基于AI的联合模态预测框架在提高头颈部癌症患者治疗选择效率与精度方面的潜力，证明了所提出方法的通用性和稳健性。

利益冲突声明

作者声明不存在利益冲突。