提出一种可充分利用危及器官预测剂量分布信息，同时最大限度地改善输出计划质量的调强放疗计划优化方法。
构建以危及器官预测剂量分布作为优化引导的新型通量分布优化模型，考虑到预测的不确定性，模型中同时耦合了危及器官的等效均匀剂量目标(gEUD)以在预测引导的基础上进一步改善最优化求解空间。为验证优化方法的有效性，实验选取8例宫颈癌调强放射治疗(IMRT)计划，利用该方法对其重新优化后比较所得计划与原始计划间在剂量分布和特定剂量学指征项上的质量差异。
该优化方法具有可行解且收敛快速，所得优化计划与原始计划相比，靶区内热点减少，其剂量均匀性提高；危及器官受量也均有改善，直肠V30和V45分别减小了(6.60±3.53)%和(17.03±7.44)%，差异有统计学意义(t＝－4.954、－6.055，P<0.05)，膀胱V30和V45分别减小(14.74±5.61)%和(14.99±4.53)%，差异有统计学意义(t＝－6.945、－8.759，P<0.05)。
所提出的基于预测剂量分布和gEUD混合目标的调强放疗计划优化方法可有效地利用预测剂量分布，并保障输出计划的优质性。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
基于经验学习的智慧计划设计方法通过对大量先验计划进行智能学习，在此基础上构建质优计划的剂量学特性与患者个体化特性之间的关联模型[1,2,3]，继而将该关联模型应用于新患者计划优化前的剂量学目标预测，有望实现计划设计的快速优化引导和个体化质量控制，进而有效提高临床计划的设计效率、同质化程度[4,5,6]。当前研究工作多以预测计划的剂量体积直方图(DVH)或剂量学指征项为主，然而这些均为累积型数据，将其作为优化目标不利于实现对感兴趣区内剂量的体素级精细调整，使求解空间受限，从而更高概率地产生次优甚至不可行计划解[7,8]。以三维剂量分布为预测对象，并将其作为优化引导是解决上述问题的理想方案。本团队前期以危及器官(organs at risk，OARs)体素为研究对象，采用神经网络方法并结合对射线角度、器官体积和器官间空间位置关系等影响因素的充分考虑，成功地构建了OARs的三维剂量分布预测模型[9]。但预测具有不确定性，该不确定性会对后续优化引导产生较大影响。因此，本研究在前期工作的基础上，提出一种可充分利用预测剂量分布信息，同时最大限度地改善输出计划质量的调强放疗计划优化方法，该方法以预测剂量分布作为优化引导，使优化输出计划质量逼近预测水平，并同时耦合等效均匀剂量优化目标，在预测引导的基础上扩大优化求解空间，从而进一步改善计划质量。
