Многомодальный многошкальный трансформер для виртуального предлечебного контроля качества пациент‑специфического SBRT с использованием флюенс‑карт портальной дозиметрии

Более безопасная проверка планов лечения рака

Перед тем как пациент получает высокую дозу облучения при раке, медицинская команда должна убедиться, что план лечения точно попадёт в опухоль и при этом максимально сохранит здоровые ткани. Эта проверка безопасности жизненно важна, но часто трудоёмка и медленна. В описанном исследовании оценивается, может ли система искусственного интеллекта надёжно предсказывать, пройдёт ли план проверку качества, помогая клиникам лечить пациентов безопаснее и эффективнее.

Почему эти виды облучения сложны

Стереотактическая телеящная лучевая терапия (SBRT) даёт очень высокие дозы за несколько сеансов по небольшим мишеням в теле — например, опухолям в лёгких, печени, мозге, позвоночнике или предстательной железе. Поскольку доза резко падает за пределами мишени, даже незначительные ошибки в подаче луча могут повлиять на соседние здоровые ткани. Поэтому в клиниках проводят этап контроля, называемый пациент‑специфическим контролем качества, где сравнивают запланированную дозу с тем, что фактически выдает установка. Обычно это делают путём съёмки специальных изображений встроенным детектором и выполнения детальных проверок, что может занимать значительное время.

Преобразование изображений детектора и деталей плана в прогнозы

Авторы создали вычислительную модель, которая обучается предсказывать, насколько план лечения будет соответствовать доставленной дозе, используя данные, которые клиники уже рассчитывают. Одним из входов является так называемая флюенс‑карта — изображение, полученное электронным детектором установки при тестовом прогоне. Оно показывает распределение интенсивности пучка по полю. Вторым входом служит набор чисел, описывающих сложность формы и движения луча, включая количество монитор‑единиц и степень перемещений и модуляции многолистового коллиматора. Вместе эти данные дают модели как визуальное представление паттерна дозы, так и сводку о том, насколько сложно доставить план.

Как работает новая модель ИИ

Вместо опоры лишь на традиционные сверточные нейросети команда разработала многомодальный трансформер — тип архитектуры ИИ, который может учитывать взаимосвязи во всём изображении и между множеством признаков одновременно. Визуальная часть анализирует версии каждой флюенс‑карты на нескольких масштабах, что позволяет улавливать как мелкие детали, так и крупные закономерности. Параллельно другая ветвь обрабатывает числовые дескрипторы луча. На этапе слияния эти два потока объединяются в единое представление, которое используется для предсказания девяти разных показателей согласованности плана, известных как gamma passing rates, каждый из которых отражает разный уровень строгости при сравнении запланированной и измеренной дозы.

Тестирование на реальных планах пациентов из двух больниц

Чтобы оценить работу модели, исследователи обучали и тестировали её на 147 планах лечения SBRT, охватывающих 1265 отдельных лучей из двух разных онкологических центров. В набор вошли планы для разных локализаций опухолей и размеров целей. Новую модель сравнивали с несколькими известными системами глубокого обучения, ориентированными главным образом на изображения. По всем девяти критериям gamma и в обоих наборах данных трансформер показал наименьшие ошибки предсказания. Статистические тесты подтвердили, что такие улучшения вряд ли случайны. В абляционных экспериментах, когда части архитектуры отключали, производительность падала, что показало важность многошкального обработки изображений и включения информации о сложности луча.

Что это значит для будущей помощи при раке

Исследование показывает, что система ИИ, объединяющая изображения детектора и детали сложности плана, может точно прогнозировать, пройдут ли поля SBRT проверку качества. Пока авторы рассматривают такой подход как скрининговый инструмент, который может отмечать, какие лучи, вероятно, безопасны, а какие требуют более тщательной проверки, помогая клиникам сосредоточить усилия там, где это наиболее важно. При дальнейшем тестировании в большем числе центров и аккуратной интеграции в клинические рабочие процессы такие модели могут сократить нагрузку рутинных проверок, сохранив или даже повысив безопасность высокоточной лучевой терапии.

Цитирование: You, HQ., Zheng, JJ. & He, XS. A multimodal multi-scale transformer for virtual pretreatment patient-specific QA of SBRT using portal-dosimetry fluence maps. Sci Rep 16, 15313 (2026). https://doi.org/10.1038/s41598-026-46687-4

Ключевые слова: стереотактическая телеящная лучевая терапия, контроль качества лучевого лечения, многомодальное глубокое обучение, портальная дозиметрия, нейросеть‑трансформер