基于算法优化与并行计算的放疗计划自动生成方法加速研究

　　本研究针对调强放疗(IMRT)计划中基于广义等效均匀剂量(gEUD)参数手动调优过程繁琐、计算耗时的问题，通过改进多目标进化算法(NSGA-II替代MOEA/D)和梯度优化方法(AdaBelief替代GD)，并结合异构集群并行计算框架，实现了4049倍的加速效果，使高质量放疗计划生成时间缩短至约1小时，为临床实时自适应放疗提供了可行的技术方案。

　　

在癌症治疗领域，放射治疗扮演着至关重要的角色，其中调强放疗（IMRT）通过从多角度投射辐射束并调制其强度，能够精准靶向肿瘤组织同时最小化对健康器官的损伤。然而，高质量的放疗计划制定却面临巨大挑战：传统基于广义等效均匀剂量（gEUD）的生物优化模型虽然能产生优异剂量分布，但需要为每个解剖结构人工调整多个超参数，这个过程不仅依赖临床专家的经验，还异常耗时。更棘手的是，现有的自动化参数调优方法（如PersEUD）结合了多目标进化搜索与梯度优化，每个候选解都需要执行完整的梯度优化步骤，导致计算成本极高，严重阻碍了临床推广应用。

为了解决这些难题，发表在《Future Generation Computer Systems》上的这项研究提出了一种综合性的加速策略。研究人员通过算法改进和计算加速双管齐下：一方面测试多种多目标进化算法（MOEA）和梯度优化方法，筛选出收敛更快、计算更高效的组合；另一方面设计并行计算框架，将函数评估任务分布式部署到异构多核计算集群中，实现负载均衡和硬件资源最大化利用。

研究采用来自三名头颈癌患者的临床数据，基于九束射线的放疗计划设计，通过在八种不同微架构集群上的测试验证方案有效性。关键技术方法包括：1）多目标进化算法（NSGA-II、SPEA2、MOEA/D）的比较与选择；2）梯度优化方法（梯度下降GD、Adam、AdaBelief）的收敛性分析；3）基于批处理的并行评估策略；4）异构集群静态任务调度算法；5）使用Intel Math Kernel Libraries (MKL)加速矩阵运算。

研究结果显示，在算法改进方面，NSGA-II在超体积（HV）指标上表现最优，在128种群大小和150代情况下达到0.75的最高值，且仅需4800次函数评估就能达到MOEA/D需要38400次评估才能获得的0.69超体积值，计算时间从128.22天减少到65.73天。梯度优化方法中，AdaBelief仅需350步即可收敛，相比GD的3000步减少了88.33%的迭代次数。

在计算加速方面，批处理与多线程结合显著提升了单节点性能：EPYC平台在64批处理大小时实现33.6倍加速，Ryzen和Sandy平台分别达到5.5倍和15.8倍加速。异构集群调度实验表明，配置F（8个EPYC节点+20个Sandy节点）和配置H（增加4个Ryzen节点）能够将执行时间缩短至0.76小时，相比原始实现获得4049倍的总体加速效果。

研究的结论部分强调，这种综合加速方法不仅大幅减少了计算时间，还提高了治疗计划的质量。将放疗计划生成时间从数天缩短到约一小时，使得该方法能够集成到时间紧迫的临床工作流程中，特别是为实时自适应放疗提供了技术可行性。该研究的成功实施证明了跨学科方法在解决医学物理难题中的价值，通过计算机科学和高效能计算的进步直接推动临床医学的发展。

讨论部分指出，尽管取得了显著成果，但研究仍存在进一步优化的空间。未来工作将探索GPU平台对批处理AdaBelief的加速潜力，以及整合强化学习或基于深度学习的代理模型的可能性，这些方法有望在保持计算效率的同时进一步提升放疗计划的个性化和精准度。