商用自动化前列腺癌放疗计划系统的评估、优化与质量监控策略研究

　　本研究针对AI自动化放疗计划系统在前列腺癌临床应用中的质量控制和模型优化难题，提出了一套结合量化回归模型筛选与统计过程控制(SPC)的综合性解决方案。通过335例临床数据验证，研究发现经过两轮模型迭代后，AI计划在靶区覆盖一致性（PTV48Gy D98%）和直肠保护（Rectum V50Gy）方面达到与人工计划相当的水平（均值差异≤0.03Gy），同时开发了基于Wald检验的累积和(CUSUM)控制图实现长期质量监控。该研究为AI放疗系统的临床部署提供了标准化评估框架，对推动精准放疗智能化发展具有重要意义。

　　

随着人工智能技术在放射治疗领域的快速应用，自动化计划系统正逐渐改变传统依赖人工经验的放疗计划设计模式。特别是在前列腺癌放疗中，AI系统通过剂量预测和剂量模仿(dose mimicking)技术能够快速生成治疗计划。然而商用AI系统的临床部署面临核心挑战：如何客观评估系统性能？如何根据本地临床需求优化模型？以及如何确保系统在长期使用中的稳定性？这些问题的解决对AI技术在放疗领域的规范化应用至关重要。

英国伯明翰大学医院 NHS 信托基金的医学物理团队通过335例前列腺癌患者的临床数据，对RayStation v12a商用自动化计划系统进行了全面评估与优化。研究创新性地结合量化回归(quantile regression)案例筛选方法与统计过程控制(SPC)技术，建立了从模型评估、迭代优化到长期监控的完整框架。该研究成果已发表在《Physics and Imaging in Radiation Oncology》期刊。

研究人员采用多维度技术方法开展本研究：首先基于318例前列腺癌患者（120例中危，198例高危）的临床计划数据，使用多变量线性回归模型分析解剖因素（膀胱/靶区重叠体积、直肠/靶区重叠体积、PTV₄₈体积）对计划质量的影响；其次采用多元量化回归技术筛选最优病例用于模型调优；最后基于Wald检验构建累积和控制图(CUSUM chart)，设定α=0.05和β=0.1的误差概率，对15项计划质量指标进行长期监测。

2.1. 患者和计划数据

研究纳入335例前列腺癌患者，所有计划均采用CHHIP协议（60Gy/20次）的VMAT技术，排除了带有金属植入物等不适合自动计划的病例后，最终318例患者数据用于建模分析。

2.2. 基线模型

采用厂商提供的基于Unet卷积神经网络的剂量预测模型，结合剂量模仿优化技术生成可临床实施的计划，所有计划通过内部平台PROPEL进行质量评估。

2.3. 模型评估

使用五类计划质量指标：危及器官(OAR)保护、靶区覆盖、适形性、均匀性和复杂度。特别引入梯度指数(GI₆₀、GI₄₈)、均匀性指数(HI)和调制复杂度评分(MCS)等量化指标，通过Bland-Altman图进行模型间差异分析。

2.4. 模型优化的案例选择

定义最优计划的标准为：在考虑PTV/OAR重叠后，直肠和膀胱剂量达到20%分位数水平，同时PTV覆盖达到80%分位数。通过量化回归筛选出5个代表性病例用于模型迭代优化。

2.5. 监控

采用Wald提出的两种统计检验方法，分别监控质量指标的均值偏移和方差变化，使用CUSUM控制图进行可视化监测。

3. 结果

初步评估显示基线模型在9/15指标上表现出更低的方差，但直肠保护效果劣于人工计划（直肠V_50Gy平均高0.04%）。经过两轮模型迭代后，第三版模型在直肠保护（直肠V_50Gy均值差-0.01%）和靶区覆盖（PTV_48Gy D_98%均值差-0.03Gy）方面达到与人工计划相当水平。多变量回归分析显示，自动化计划对直肠重叠体积的剂量响应斜率（0.61%/^cm3）与人工计划（0.53%/^cm3）接近。MCS评分表明自动化计划复杂度更高但一致性更好。监控验证显示，PTV_60Gy D_98%和MCS指标能在10-13个案例内检测到显著差异。

研究结论表明，通过系统的评估和迭代优化流程，商用AI自动化计划系统能够产生与人工计划质量相当的前列腺癌放疗方案。量化回归案例选择方法有效解决了模型优化的样本代表性问题，而基于统计过程控制的监控体系为AI系统的长期稳定性提供了保障。该研究的意义在于首次建立了完整的AI放疗系统临床部署规范，解决了自动化计划系统评估、优化和监控的关键技术难题，为其他肿瘤部位的AI放疗应用提供了可借鉴的框架。特别值得注意的是，研究发现膀胱剂量约束同时受直肠和膀胱重叠体积的影响，这一发现对优化OAR保护策略具有重要指导价值。未来研究可进一步探索风险分层模型和放射生物学指标在AI计划评估中的应用。