网刊加载中。。。

使用Chrome浏览器效果最佳,继续浏览,你可能不会看到最佳的展示效果,

确定继续浏览么?

复制成功,请在其他浏览器进行阅读

RapidPlan模型跨病种应用的可行性探索研究  PDF

  • 王景
安徽省公共卫生临床中心 肿瘤放疗科,安徽 合肥 230012

中图分类号: R811.1

最近更新:2024-11-04

DOI: 10.19338/j.issn.1672-2019.2024.09.006

  • 全文
  • 图表
  • 参考文献
  • 作者
  • 出版信息
EN
目录contents

摘要

目的

探索RapidPlan自动计划模型跨病种应用的可能性。

方法

抽取10例直肠癌手动优化临床应用(CMO)计划作为测试组,使用已被证实在宫颈癌自动计划中表现优秀的RapidPlan模型对其进行优化,并对比直肠癌手动计划和自动计划的差异,判断模型的跨病种应用的可行性。

结果

模型生成的自动计划与手动计划均满足临床需求,相较于手动计划,RapidPlan自动计划模型优化计划的危及器官(Organ at Risk, OAR)膀胱V30、V40、V50分别降低了19.0%、17.6%、20.7%(P<0.05)。计划靶区(PTV)的D2降低了1.6%,D98提高了0.9%,适形度指数(CI)值降低了5.6%(P<0.05),均匀度指数(HI)则差异无统计学意义(P>0.05)。

结论

利用宫颈癌RapidPlan自动计划模型优化直肠癌计划得到的结果相较于手动计划更优,模型的跨病种使用在临床上有一定的可行性。

放射治疗是肿瘤治疗的三大主要方式之一,据统计,目前70%的癌症患者可以通过放射治疗延缓病情,控制并发

1-2,具体到宫颈癌则有80%的患者需要放射治疗的帮3-4。精确放疗的引入与普及以来,患者的放疗预后相较于传统的普放有了极大的进步,精确放疗的治疗效果与放疗计划质量息息相关,然而放疗计划设计复杂,其核心挑战在于是如何在保证计划靶区(planning target volume, PTV)剂量的同时保护正常组5。放疗计划质量高度依赖于设计计划的物理师的水平经验,高水平的物理师在我国十分稀缺,即使是普通物理师从业者仍有10 000名的缺6。为提高计划质量一致性,改善因人员水平经验参差造成的计划质量差异,Varian公司推出的RapidPlan自动计划目前被广泛推荐使7-8,其通过先验知识建立模型,以模型进行运算进行放疗计划自动设9。RapidPlan的原理决定了其自动优化的计划质量的高低依赖于模型的质量,但是训练出高质量的模型费时费10,这极大地增加了使用者的负担。本文以PTV形态相似的宫颈癌和直肠癌为例,探索高质量的模型在不同病种中运用的可行性,从而降低模型训练对于使用者的负担,进一步推广自动计划在临床的应用。

1 材料和方法

1.1 一般资料

抽取安徽医科大学第一附属医院高新院区2018年3月至2022年12月直肠癌放疗计划10例作为实验组。患者均仰卧位,双手抱肘置于额头,采用真空体膜固定,行大孔径CT(GE Discovery RT 590)以5 mm层厚扫描,采用相同处方剂量(50 Gy/25 f),Vitalbeam直线加速器单中心容积旋转调强(volumetric modulated arc therapy, VMAT)双整弧照射。计划要求100%处方剂量线覆盖95%的PTV,由资深物理师通过Varian公司Eclipse13.6计划系统优化,且由主治医生认可并已经临床应用。

1.2 实验方法

选择以宫颈癌病例训练完毕并临床应用的RapidPlan模型,该模型病例以层次约束优化

11-12进行精炼,在测试和实践中均证明可以自动优化出符合临床需求且优于人工设计的宫颈癌计13。以该模型优化抽取的10例直肠癌计划,并对比相关参数,评估模型跨病种应用的可行性。

1.3 计划评估

将抽取的10例手动优化临床应用(clinical manual optimization, CMO)直肠癌计划利用RapidPlan模型生成自动计划,过程中保证除模型生成自动计划参数步骤外,其他所有条件不变,再将优化完成的RapidPlan自动计划和CMO计划进行计划PTV和重要参数的对比,从而确定自动计划的可用性。

基于国际放射性单位委员会83号报告,以D2和D98作为PTV近似最大剂量和近似最小剂量,评估PTV剂量分布,均为越接近处方剂量越好。适型度指数(conformance index, CI)值评估PTV适形度,其值介于0~1之间,越接近1说明适形度越好,HI值评估PTV剂量分布均匀度,HI越小说明均匀度越好。结合临床实际,在处方剂量为50 Gy/25 f的直肠癌放射治疗中,危及器官(organ at risk,OAR)主要关注膀胱的V30、V40及V50

1.4 统计学方法

本文运用SPSS 20.0软件比较RapidPlan简化模型生成的自动计划和CMO计划的数据差异,以Shapiro-Wilk法对数据组进行正态分布检验,对符合正态分布的行配对样本t检验,对不符合正态分布的行Wilcoxon符号秩和检验。P<0.05为差异有统计学意义。

2 结果

CMO计划与RapidPlan自动计划结果剂量分布均满足临床需求。图1分别展示了CMO计划与RapidPlan自动计划的PTV的CI、HI、D2和D98值对比,表1展示了CMO计划与RapidPlan自动计划PTV相关数据统计结果。相较于CMO计划,自动计划的CI值为0.85±0.05,降低了5.6%,差异有统计学意义(P<0.05),HI值则差异无统计学意义(P>0.05),D2为(5285.7±57.4)cGy,降低了1.6%,D98为(4922.3±32.3)cGy,提高了0.9%,差异均有统计学意义(P<0.05)。

fig

图1  CMO计划与RapidPlan自动计划相关数据比较

A:CMO计划与RapidPlan自动计划PTV CI对比图;B:CMO计划与RapidPlan自动计划PTV HI对比图;C:CMO计划与RapidPlan自动计划PTV D2对比图;D:CMO计划与RapidPlan自动计划PTV D98对比图。

表1  CMO计划与RapidPlan自动计划PTV统计值 (x¯±s
组别CIHID2/cGyD98/cGy
RapidPlan 0.85±0.05 0.08±0.02 5 285.7±57.4 4 922.3±32.25
CMO 0.90±0.02 0.09±0.02 5 371.5±47.3 4 879.0±47.9
t 2.87 1.94 2.97 4.30
P 0.019 0.085 0.016 0.002

图2展示了CMO计划与RapidPlan计划的OAR剂量对比,表2展示了CMO计划与RapidPlan自动计划OAR相关数据统计结果。统计分析显示,相较于CMO计划,自动计划的OAR剂量均有所降低,膀胱的V30、V40及V50值分别为(41.66±17.26)%、(24.75±14.17)%及(11.67±8.97)%,分别降低了19.0%、17.6%及20.7%。

fig

图2  CMO计划与RapidPlan自动计划OAR相关剂量比较

A:计划与RapidPlan自动计划膀胱V30对比图;B:CMO计划与RapidPlan自动计划膀胱V40对比图;C:CMO计划与RapidPlan自动计划膀胱V50对比图。

表2  CMO计划与RapidPlan自动计划OAR统计值 (x¯±s
组别V30V40V50
RapidPlan 41.7±17.3 24.8±14.2 11.7±9.0
CMO 51.7±13.7 30.0±12.2 14.7±9.5
t 2.47 2.37 4.53
P 0.035 0.042 0.001

3 讨论

人工放疗计划的设计费时费力,且计划质量高度依赖于物理师的水平经验。RapidPlan自动计划是一种基于经验的自动计划设计系统,多年来,学者对其在各个病种中的研究于应用络绎不绝,其可行性和稳定性得到了广泛的认

14-23,然而该模型的训练方式复杂,近年来,为训练高质量的模型,推广模型的应用,国内外学者提出了一系列新的模型训练方法,如学者FOGLIATA24提出一种迭代方式建立模型库,学者FUSELLA4提出一种利用APQM评分法等。本研究探索已有的高质量模型跨病种应用的可行性,期望能够提高模型的利用率,减轻模型训练的负担,推动自动计划的进一步应用。

直肠癌的放疗PTV与宫颈癌有一定的相似性,图3展示了宫颈癌和直肠癌的PTV截面,可以看到PTV结构有一定的相似性,因此本文将宫颈癌的RapidPlan模型应用于直肠癌病例,验证是否存在自动计划模型跨病种应用的可能性。本文使用10例直肠癌病例作为测试,并对比了一系列参数,结果证明,在PTV的参数中,除了均匀性参数表现相较于CMO计划有轻微降低,所有的参数均是自动计划表现相同或更佳,而结合自动计划在OAR的剂量表现上远远优于手动计划,在均保证PTV 95%的覆盖率的前提下,自动计划的轻微不均匀性是因为降低了OAR与重叠区的剂量,从而更佳地保护了OAR,这也和该模型在宫颈癌的相关测试中的结果类

13

fig

图3  CMO计划与RapidPlan自动计划OAR相关剂量比较

A:宫颈癌PTV截面;B:直肠癌PTV截面。

本文将宫颈癌病例训练的RapidPlan模型应用于PTV类似的直肠癌病例,结果显示该模型优化的直肠癌自动计划表现优于手动计划,证明模型的跨病种应用有一定的可行性,未来期望可以使用更多的病例的测试与实验,进一步探索RapidPlan模型跨病种应用的潜力。

参考文献

1

王翰宇. RapidPlan及新的精炼模型方法在常见肿瘤中的应用分析[D]. 衡阳: 南华大学, 2017. [百度学术] 

2

TEOH M, CLARK CH, WOOD K, et al. Volumetric modulated arc therapy: a review of current literature and clinical use in practice[J]. Br J Radiol, 2011, 84(1007): 967-996. [百度学术] 

3

KADERKA R, MUNDT RC, LI N, et al. Automated closed- and open-loop validation of knowledge-based planning routines across multiple disease sites[J]. Pract Radiat Oncol, 2019, 9(4): 257-265. [百度学术] 

4

FUSELLA M, SCAGGION A, PIVATO N, et al. Efficiently train and validate a RapidPlan model through APQM scoring[J]. Med Phys, 2018, 45(6): 2611-2619. [百度学术] 

5

MIGUEL-CHUMACERO E, CURRIE G, JOHNSTON A, et al. Effectiveness of Multi-Criteria Optimization-based Trade-Off exploration in combination with RapidPlan for head & neck radiotherapy planning[J]. Radiat Oncol, 2018, 13(1): 229. [百度学术] 

6

张烨, 易俊林, 姜威, . 2019年中国大陆地区放疗人员和设备基本情况调查研究[J]. 中国肿瘤, 2020, 29(5): 321-326. [百度学术] 

7

GOOD D, LO J, LEE WR, et al. A knowledge-based approach to improving and homogenizing intensity modulated radiation therapy planning quality among treatment centers: an example application to prostate cancer planning[J]. Int J Radiat Oncol Biol Phys, 2013, 87(1): 176-181. [百度学术] 

8

TOL JP, DOORNAERT P, WITTE BI, et al. A longitudinal evaluation of improvements in radiotherapy treatment plan quality for head and neck cancer patients[J]. Radiother Oncol, 2016, 119(2): 337-343. [百度学术] 

9

VAN GYSEN K, O'TOOLE J, LE A, et al. Rolling out RapidPlan: what we've learnt[J]. J Med Radiat Sci, 2020, 67(4): 310-317. [百度学术] 

10

SHEPHERD M, BROMLEY R, STEVENS M, et al. Developing knowledge-based planning for gynaecological and rectal cancers: a clinical validation of RapidPlan[J]. J Med Radiat Sci, 2020, 67(3): 217-224. [百度学术] 

11

WILKENS JJ, ALALY JR, ZAKARIAN K, et al. IMRT treatment planning based on prioritizing prescription goals[J]. Phys Med Biol, 2007, 52(6): 1675-1692. [百度学术] 

12

JEE KW, MCSHAN DL, FRAASS BA. Lexicographic ordering: intuitive multicriteria optimization for IMRT[J]. Phys Med Biol, 2007, 52(7): 1845-1861. [百度学术] 

13

王景. 简化模型在宫颈癌自动计划中的研究及应用[D]. 合肥: 安徽医科大学, 2022. [百度学术] 

14

FOGLIATA A, WANG PM, BELOSI F, et al. Assessment of a model based optimization engine for volumetric modulated arc therapy for patients with advanced hepatocellular cancer[J]. Radiat Oncol, 2014, 9: 236. [百度学术] 

15

HUSSEIN M, SOUTH CP, BARRY MA, et al. Clinical validation and benchmarking of knowledge-based IMRT and VMAT treatment planning in pelvic anatomy[J]. Radiother Oncol, 2016, 120(3): 473-479. [百度学术] 

16

FOGLIATA A, NICOLINI G, CLIVIO A, et al. A broad scope knowledge based model for optimization of VMAT in esophageal cancer: validation and assessment of plan quality among different treatment centers[J]. Radiat Oncol, 2015, 10: 220. [百度学术] 

17

TOL JP, DELANEY AR, DAHELE M, et al. Evaluation of a knowledge-based planning solution for head and neck cancer[J]. Int J Radiat Oncol Biol Phys, 2015, 91(3): 612-620. [百度学术] 

18

FOGLIATA A, REGGIORI G, STRAVATO A, et al. RapidPlan head and neck model: the objectives and possible clinical benefit[J]. Radiat Oncol, 2017, 12(1): 73. [百度学术] 

19

FOGLIATA A, NICOLINI G, BOURGIER C, et al. Performance of a knowledge-based model for optimization of volumetric modulated arc therapy plans for single and bilateral breast irradiation[J]. PLoS One, 2015, 10(12): e0145137. [百度学术] 

20

CHIN SNYDER K, KIM J, REDING A, et al. Development and evaluation of a clinical model for lung cancer patients using stereotactic body radiotherapy (SBRT) within a knowledge-based algorithm for treatment planning[J]. J Appl Clin Med Phys, 2016, 17(6): 263-275. [百度学术] 

21

FOY JJ, MARSH R, TEN HAKEN RK , et al. An analysis of knowledge-based planning for stereotactic body radiation therapy of the spine[J]. Pract Radiat Oncol, 2017, 7(5): e355-e360. [百度学术] 

22

KUBO K, MONZEN H, ISHII K, et al. Dosimetric comparison of RapidPlan and manually optimized plans in volumetric modulated arc therapy for prostate cancer[J]. Phys Med, 2017, 44: 199-204. [百度学术] 

23

COZZI L, VANDERSTRAETEN R, FOGLIATA A, et al. The role of a knowledge based dose-volume histogram predictive model in the optimisation of intensity-modulated proton plans for hepatocellular carcinoma patients: training and validation of a novel commercial system[J]. Strahlenther Onkol, 2021, 197(4): 332-342. [百度学术] 

24

FOGLIATA A, COZZI L, REGGIORI G, et al. RapidPlan knowledge based planning: iterative learning process and model ability to steer planning strategies[J]. Radiat Oncol, 2019, 14(1): 187. [百度学术] 

您是第位访问者
中国医学工程 ® 2025 版权所有
技术支持:北京勤云科技发展有限公司
请使用 Firefox、Chrome、IE10、IE11、360极速模式、搜狗极速模式、QQ极速模式等浏览器,其他浏览器不建议使用!
管理员登录