癌症现已成为严重威胁人类健康的疾病之一，据国际癌症中心发布的数据显示，癌症在许多国家的死因顺位上已经超越心血管疾病（如脑卒中和冠心病）等高死亡率慢性疾病。目前癌症的治疗方式主要分为手术治疗、放射治疗及化学治疗等。自1895年伦琴发现X射线以来，持续的技术进步推动着放疗的发展，放疗主要是利用放射源或加速器产生的高能射线来破坏恶性肿瘤细胞，同时尽可能地保护周围的正常组织来达到疾病治愈或者缓解的目的。
调强放射治疗是目前临床中应用最广泛的放射治疗技术之一。为了保证患者实际接收剂量与计划剂量没有明显偏差，需对每一例治疗计划在患者初次治疗之前进行剂量验证。但随着接受放疗的患者数量逐年增多，这种验证方式给临床工作带来了很大的人力物力负担。因此，如何在患者剂量验证环节提高效率并减轻人力负担，成为临床放疗的一个备受瞩目的问题。
随着计算机科学的进步，大数据、人工智能在医学领域展现出很好的应用前景。调强放疗包含大量的医学影像数据和治疗计划数据，与人工智能的结合具有很好的优势。在前期的研究中，团队结合放疗计划文件及模型算法，找到了放疗计划的复杂性特征参数与治疗实施准确性之间的关系，通过构建深度学习模型算法，在单机构数据下成功预测调强放疗计划的伽马通过率（γ passing rate），在临床使用的3%/2mm的伽马标准下，模型平均预测误差为2.6%。同时，模型也实现了自动将放疗计划进行分类（“通过”/“未通过”）的功能，这使得临床物理师可以更有针对性地分析剂量误差来源。
但在不同的机构间，由于放疗计划数据的异质性，还需考虑加速器、放疗计划系统、验证设备和验证方法等对于深度学习模型性能的影响。因此，人工智能模型在其他机构的性能尚不可知。若将模型推广至多家机构，需要进行多机构验证，并给出严格的质量保证措施来保证人工智能模型的安全性和可靠性。研究团队联合国内6家知名医院，定量研究了不同临床因素（加速器型号、放疗计划系统、剂量验证设备等）对模型的影响。结果表明，不同放疗计划系统对模型的预测性能有一定的影响，而不同加速器型号以及剂量验证设备对模型性能的影响较小。另外，通过端到端(E2E)测试和一系列的质量保证措施，将模型应用于多机构的临床剂量验证中，发现，人工智能模型在不同机构的不同临床环境中也可以准确预测大部分计划的质量保证结果。因此，该模型可以作为辅助手段应用于临床剂量验证，且不局限于特定的机构，这将减轻患者剂量验证工作负担。本工作既是ACLR模型临床剂量验证工作的重要拓展，也为人工智能模型后续在不同的临床环境中实现自动化质量保证奠定了基础。
图1多任务自动编码器分类回归模型（ACLR模型）
图2针对调强放疗患者剂量验证的ACLR模型的调试、实施和质量保证的工作流程。
在本研究中，北京大学第三医院放疗科杨瑞杰副研究员、北京航空航天大学物理学院硕士研究生杨雪莹、中国科学院自动化所博士研究生王乐为论文的共同第一作者；北京航空航天大学物理学院耿立升教授、中国科学院自动化所隋婧教授为论文的共同通讯作者。该研究得到了国家重点研发项目、国家自然科学基金重点项目等基金资助。
《Radiotherapy and Oncology》（又称绿皮杂志），是欧洲放射肿瘤学会ESTRO的旗舰期刊，与美国放射肿瘤学会ASTRO的旗舰期刊《International Journal of Radiation Oncology Biology Physics》（又称红皮杂志）为国际肿瘤放疗领域影响力最大的两本期刊。
（审核：李广超）
编辑：贾爱平
