基于深度学习的多中心左侧淋巴结阴性乳腺癌放疗计划评估：标准化参数集提升泛化能力与临床一致性

　　本刊推荐：为解决深度学习放疗计划（DLP）跨机构泛化性及临床转化难题，研究人员开展多中心左侧淋巴结阴性乳腺癌研究，通过优化剂量模仿（Mimicking）参数集，实现DLP计划质量与临床计划相当，OARs剂量差异<0.2 Gy，证实标准化参数集可促进DLP临床推广。

　　

在当今全球女性健康领域，乳腺癌不仅是最常见的恶性肿瘤，更是癌症相关死亡的主要原因。放射治疗作为乳腺癌保乳手术后不可或缺的治疗手段，其计划质量直接关系到肿瘤控制效果和放射副反应风险。然而，传统的放疗计划设计高度依赖人工经验，存在耗时长、不同计划师间变异大、不同机构间治疗质量不一致等痛点。

近年来，深度学习（Deep Learning, DL）技术为放疗计划带来新曙光。基于深度学习的剂量预测模型能够根据患者解剖结构自动预测剂量分布，显著提升计划效率。但遗憾的是，这些预测剂量并不能直接用于临床治疗，必须通过"剂量模仿"（Dose Mimicking）技术将预测剂量转化为可执行的放疗计划。这一转化过程需要调整大量参数，且通常需要针对不同机构进行个性化调优，这成为阻碍深度学习放疗计划（Deep Learning based Planning, DLP）跨机构推广的关键瓶颈。

为此，一项发表在《Physics and Imaging in Radiation Oncology》的研究开展了一项多中心评估，探索DLP在左侧淋巴结阴性乳腺癌患者中的泛化能力。研究人员从四家机构收集了临床治疗计划数据，所有患者均接受左侧全乳腺照射，处方剂量为40.05 Gy（15次，每次2.67 Gy），采用调强放射治疗（IMRT）技术。

研究采用的关键技术方法包括：基于3D U-Net架构的深度学习剂量预测模型（使用一家机构的数据训练）、剂量模仿算法（将预测剂量转化为可交付计划）、多机构数据集验证（四家机构共60例患者，分为外部评估集45例和参数优化集12例+测试集48例）、以及基于荷兰共识标准的计划质量评估（评估PTV的D_mean、D_98%、D_2%和OARs剂量）。

外部评估结果

使用初始模仿参数集（InitialMimick）时，DLP计划在PTV剂量指标上显著高于临床计划：D_mean为40.5 vs. 40.1 Gy，D_2%为42.4 vs. 41.4 Gy。仅15/45例DLP计划满足所有临床目标，而临床计划为25/45例。OARs剂量方面，肺部平均剂量降低0.2 Gy，但对侧乳腺平均剂量增加0.1 Gy，心脏剂量无显著差异。

模仿参数调整

为改善计划质量，研究人员通过试错法调整模仿参数，形成标准化参数集（GenericMimick）。主要调整包括：降低PTV的最大等效均匀剂量（EUD）函数值、增加PTV的最大剂量函数、提高PTV的最小剂量水平及其权重、增加最小EUD函数。

标准化参数集效果

使用GenericMimick后，DLP计划质量显著提升：PTV的D_mean为40.3 vs. 40.1 Gy，D_2%为41.9 vs. 41.5 Gy，D_98%无显著差异。满足所有临床目标的计划比例提高至28/48例，与临床计划的30/48例相当。OARs剂量差异均小于0.2 Gy，临床意义不显著。

讨论与结论

本研究最重要的发现是，通过多机构数据优化的标准化模仿参数集，能够使DLP在不同机构间产生与临床计划相当的质量。这表明无需重新训练深度学习模型，仅通过优化模仿参数即可实现DLP的跨机构推广。研究结果与既往工作一致，Borderías-Villaroel等曾指出DLP泛化的主要挑战在于后处理阶段特别是模仿参数的定义。

然而，本研究也存在一定局限性：模仿参数通过手动试错调整，引入主观性且难以扩展到更大数据集；研究仅包含使用相似IMRT技术的机构，限制了结果对其他技术或设备的适用性。

未来研究应聚焦于开发自动化的模仿参数生成方法，以支持更广泛的临床采用，并将DLP扩展至更复杂的乳腺癌放疗场景（如局部区域放疗）。最终仍需前瞻性多中心研究来验证DLP的临床可行性和稳健性。

总之，这项研究证明了基于深度学习的全乳腺放疗计划在四家机构中的普遍适用性，使用经多机构数据优化的模仿参数集可获得与临床计划相当的结果。然而，手动参数微调仍耗时费力，突显了开发自动化参数优化技术的迫切需求。