一种用于基于门控剂量测量通量图的SBRT术前病人特异性质控的多模态多尺度变换器

更安全地核查癌症治疗计划

在病人接受高剂量放疗前，医疗团队必须再次确认治疗计划能准确照射肿瘤并尽量保护健康组织。这一安全检查至关重要，但常常耗时且劳动密集。本文所述研究探讨人工智能系统是否能可靠地预测计划是否能通过质量检测，从而帮助门诊更安全、更高效地为病人治疗。

为何这种放疗具有挑战性

立体定向体部放射治疗（SBRT）在极少几次治疗中向体内小靶区（如肺、肝、脑、脊柱或前列腺的肿瘤）输送非常高的辐射剂量。由于剂量在靶区外迅速衰减，即使是微小的给药误差也可能影响邻近的健康组织。因此，门诊会执行称为病人特异性质量保证的安全步骤，将计划剂量与治疗机实际产生的剂量进行比较。这通常通过内置探测器拍摄专门图像并进行详细校验来完成，过程可能耗时较长。

如何将探测器图像和方案细节变为预测

作者构建了一个计算模型，学习预测放疗计划与实际输出来的匹配程度，所用信息来自门诊已计算的常规数据。一个输入是称为通量图的图像，由机载电子探测器在试运行时生成，显示束流强度在场内的分布。第二个输入是一组描述束流形状与运动复杂度的数值，包括使用的监测单元数以及多叶准直器的移动和调制幅度。两者结合为模型同时提供剂量模式的视觉信息和方案可执行性难度的概要。

新型人工智能模型的工作原理

研究团队没有仅依赖传统的基于图像的神经网络，而是设计了一个多模态变换器——一种可以同时衡量整幅图像和多种特征间关系的人工智能架构。视觉分支查看多尺度的通量图版本，使其能够捕捉细节与更大范围的模式并存。与此同时，另一分支处理数值化的束流描述符。融合步骤将这两路信息合并为单一表示，用于预测九种不同的计划一致性度量，称为伽马通过率，每种度量反映比较计划与测量剂量时的不同严格性。

在来自两家医院的真实病人计划上测试

为评估性能，研究人员在147个SBRT治疗计划上训练并测试了模型，涵盖来自两家不同癌症中心的1265个单独射束，包含多种肿瘤部位和靶区大小。新模型与若干主要依赖图像数据的知名深度学习系统进行了比较。在所有九个伽马标准以及两套医院数据集中，变换器模型产生了最低的预测误差。统计检验确认这些提升不太可能是偶然。消融试验中关闭架构的部分模块会导致性能下降，表明多尺度图像处理和加入束流复杂性信息两者均很关键。

这对未来癌症护理的意义

研究表明，将探测器图像与方案复杂性细节结合的人工智能系统能够准确预测SBRT治疗野是否能通过质量检查。目前，作者将此方法视为一种筛查工具，可标注可能安全的射束并指出需要更深入检查的射束，帮助门诊将时间集中在最重要的环节。经过在更多中心的进一步测试并谨慎整合到临床工作流程中，此类模型有望在保持甚至提升高精度放疗安全性的同时，减少常规核查的工作量。

引用: 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

关键词: 立体定向体部放射治疗, 放疗质量保证, 多模态深度学习, 门控剂量测量, 变换器神经网络