middot物理middot生物middot技术middot

鼻咽癌 ＩＭＲＴ 计划腮腺剂量预测模型建立与验证

黄伯天　 朱金汉　 杨鑫　 刘伯基　 胡江　 祁振宇

５１００８０ 广州中山大学附属第一医院放疗科（黄伯天）５１００６０ 广州华南肿瘤学国家

重点实验室 中山大学肿瘤防治中心放疗科（黄伯天朱金汉杨鑫刘伯基胡江祁振

宇）通信作者祁振宇Ｅｍａｉｌｑｉｚｈｙ ｓｙｓｕｃｃｏｒｇｃｎＤＯＩ１０３７６０ ｃｍａｊｉｓｓｎ１００４４２２１２０１６０２０００

　 　 【摘要】 　 目的　 运用医学数据分析方法建立鼻咽癌 ＩＭＲＴ 计划腮腺剂量预测模型并评估其准

确性 方法　 从鼻咽癌治疗数据库中选取 ５０ 例相同射野角度的 ＩＭＲＴ 计划获取腮腺 ＤＶＨ 自编软

件计算腮腺中每个体素点到靶区边缘距离统计并生成 ＤＴＨ 对 ＤＶＨ 和 ＤＴＨ 数据进行主成分分析并以 ＤＶＨ 主成分为因变量以 ＤＴＨ 主成分腮腺体积和靶区体积为自变量进行多元非线性回归构建 ＤＶＨ 预测模型 选取另外１０ 例鼻咽癌 ＩＭＲＴ 患者利用模型对腮腺剂量进行预测并与原有 ＩＭＲＴ计划设计的 ＤＶＨ 进行比较以验证预测模型的可靠性和准确性 结果　 ＤＴＨ 和 ＤＶＨ 数据 ９７以上

信息可以通过 ２３ 个主成分进行表示 构建的腮腺 ＤＶＨ 模型平均拟合误差为（０plusmn３1049008 ５） １０ 例验

证病例显示腮腺预测 ＤＶＨ 曲线形状与原 ＴＰＳ 计划结果高度一致平均偏差（－０７plusmn４1049008 ４）模型预测

的准确性高达 ９５ 结论　 该模型能有效预测鼻咽癌 ＩＭＲＴ 计划腮腺剂量分布可作为评估和验证

治疗计划腮腺受量的质量保证工具【关键词】 　 腮腺预测模型　 距离体积直方图　 剂量体积直方图

基金项目国家自然科学基金面上项目（８１３７１７１０）广东省科技计划项目（２０１３Ｂ０２１８００１４９）

Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｅｖａｌｕａｔｉｏｎ ｏｆ ａ ｐｒｅｄｉｃｔｉｎｇ ｍｏｄｅｌ ｏｆ ｄｏｓｅ ｖｏｌｕｍｅ ｈｉｓｔｏｇｒａｍｓ ｏｆ ｐａｒｏｔｉｄ ｉｎ ＮＰＣＩＭＲＴ ｐｌａｎｎｉｎｇ　 Ｈｕａｎｇ Ｂｏｔｉａｎ Ｚｈｕ Ｊｉｎｈａｎ Ｙａｎ Ｘｉｎ Ｌｉｕ Ｂｏｊｉ Ｈｕ Ｊｉａｎｇ Ｑｉ Ｚｈｅｎｙｕ

Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｒａｄｉａｔｉｏｎ Ｏｎｃｏｌｏｇｙ Ｆｉｒｓｔ Ａｆｆｉｌｉａｔｅｄ Ｈｏｓｐｉｔａｌ Ｓｕｎ Ｙａｔｓｅｎ Ｕｎｉｖｅｒｓｉｔｙ Ｇｕａｎｇｚｈｏｕ ５１００８０Ｃｈｉｎａ （Ｈｕａｎｇ ＢＴ）Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｒａｄｉａｔｉｏｎ Ｏｎｃｏｌｏｇｙ Ｓｕｎ Ｙａｔｓｅｎ Ｕｎｉｖｅｒｓｉｔｙ Ｃａｎｃｅｒ Ｃｅｎｔｅｒ Ｓｔａｔｅ ＫｅｙＬａｂｏｒａｔｏｒｙ ｏｆ Ｏｎｃｏｌｏｇｙ ｉｎ Ｓｏｕｔｈｅｒｎ Ｃｈｉｎａ Ｇｕａｎｇｚｈｏｕ ５１００６０Ｃｈｉｎａ （Ｈｕａｎｇ ＢＴＺｈｕ ＪＨＹａｎｇ ＸＬｉｕ ＢＪＨｕ ＪＱｉ ＺＨＹ）Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒｓＱｉ Ｚｈｅｎｙｕ Ｅｍａｉｌｑｉｚｈｙ ｓｙｓｕｃｃｏｒｇｃｎ

　 　 【Ａｂｓｔｒａｃｔ】 　 Ｏｂｊｅｃｔｉｖｅ 　 Ｔｏ ｓｔｕｄｙ ｔｈｅ ｍａｔｈｅｍａｔｉｃａｌ ｐｒｅｄｉｃｔｉｎｇ ｍｏｄｅｌ ｏｆ ｐａｒｏｔｉｄ ＤＶＨ ｆｏｒ ｔｈｅ ＮＰＣＩＭＲＴ ｐｌａｎｎｉｎｇ ａｎｄ ｉｔｓ ａｃｃｕｒａｃｙ ｗｉｔｈ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｍｅｄｉｃａｌ ｄａｔａ Ｍｅｔｈｏｄｓ 　 ５０ ＮＰＣ ｒａｄｉｏｔｈｅｒａｐｙｔｒｅａｔｍｅｎｔ ｐｌａｎｓ ｗｉｔｈ ｓａｍｅ ｂｅａｍ ｓｅｔｕｐ ｗｅｒｅ ｃｈｏｓｅｎ ａｓ ｓａｍｐｌｅ ｄａｔａ ｓｅｔ ｔｈｅｎ ｔｈｅｉｒ ｐａｒｏｔｉｄ ＤＶＨｓ ａｎｄ ｄｉｓｔａｎｃｅｏｆ ｖｏｘｅｌｓ ｉｎ ｔｈｅ ｐａｒｏｔｉｄ ｔｏ ｔｈｅ ｔａｒｇｅｔ ｖｏｌｕｍｅｓ ｗｅｒｅ ｃａｌｃｕｌａｔｅｄ ｗｉｔｈ ｓｅｌｆｄｅｖｅｌｏｐｅｄ ｐｒｏｇｒａｍ ｔｏ ｆｏｒｍ ｔｈｅ ｄｉｓｔａｎｃｅｔｏ ｔａｒｇｅｔ ｈｉｓｔｏｇｒａｍ （ＤＴＨｓ）ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｗａｓ ａｐｐｌｉｅｄ ｔｏ ＤＶＨｓ ａｎｄ ＤＴＨｓ ｔｏ ａｃｑｕｉｒｅ ｔｈｅｉｒｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓ （ＰＣｓ）ａｎｄ ｔｈｅｎ ｎｏｎｌｉｎｅａｒ ｍｕｌｔｉｐｌｅ ｖａｒｉａｂｌｅ ｒｅｇｒｅｓｓｉｏｎ ｗａｓ ｕｓｅｄ ｔｏ ｍｏｄｅｌ ｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎ ｔｈｅ ＤＴＨｓrsquo ＰＣｓ ｐａｒｏｔｉｄｓ ｖｏｌｕｍｅ ＰＴＶｓ ａｎｄ ｔｈｅ ＤＶＨｓ Ａｎｏｔｈｅｒ １０ ｐｌａｎｓ ｗｅｒｅ ｃｈｏｓｅｎ ａｓ ｔｅｓｔ ｄａｔａｓｅｔ ｔｏ ｅｖａｌｕａｔｅ ｔｈｅ ｅｆｆｉｃａｃｙ ａｎｄ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｆｉｎａｌ ｍｏｄｅｌ ｂｙ ｃｏｍｐａｒｉｎｇ ｔｈｅ ＤＶＨｓ ｃａｌｃｕｌａｔｅｄ ｆｒｏｍ ｏｕｒ ｍｏｄｅｌｗｉｔｈ ｔｈｏｓｅ ｃａｌｃｕｌａｔｅｄ ｆｒｏｍ ｔｈｅ ＴＰＳ Ｒｅｓｕｌｔｓ　 Ｕｐ ｔｏ ９７ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ＤＴＨｓ ａｎｄ ＤＶＨｓ ｃａｎ ｂｅ ｒｅｐｒｅｓｅｎｔｅｄｗｉｔｈ ２ ｔｏ ３ ｃｏｍｐｏｎｅｎｔｓ ｔｈｅ ａｖｅｒａｇｅ ｆｉｔｔｉｎｇ ｅｒｒｏｒ ｏｆ ｓａｍｐｌｅ ｄａｔａ ｓｅｔ ｗａｓ （０plusmn３1049008 ５）ｉｎ ｔｈｅ １０ ｔｅｓｔ ｃａｓｅｓ ｔｈｅｓｈａｐｅｓ ｏｆ ＤＶＨ ｃｕｒｖｅｓ ｃａｌｃｕｌａｔｅｄ ｆｒｏｍ ｐｒｅｄｉｃｔｉｎｇ ｍｏｄｅｌ ｗａｓ ｈｉｇｈｌｙ ｔｈｅ ｓａｍｅ ｗｉｔｈ ｔｈｏｓｅ ｆｒｏｍ ｔｈｅ ＴＰＳ ｔｈｅａｖｅｒａｇｅ ｍｏｄｅｌｉｎｇ ｅｒｒｏｒ ｗａｓ （ － ０７plusmn ４1049008 ４）ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｐｒｅｄｉｃｔｉｏｎ ｗａｓ ｕｐ ９５ Ｃｏｎｃｌｕｓｉｏｎｓ 　 Ｏｕｒｄｅｖｅｌｏｐｅｄ ｍｏｄｅｌ ｃａｎ ｂｅ ｕｓｅｄ ａｓ ａ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｎｇ ｔｏｏｌ ｔｏ ｐｒｅｄｉｃｔ ａｎｄ ａｓｓｕｒｅ ｔｈｅ ｄｏｓｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎ ｐａｒｏｔｉｄｏｆ ＮＰＣ ｒａｄｉｏｔｈｅｒａｐｙ ｔｒｅａｔｍｅｎｔ ｐｌａｎｎｉｎｇ ｅｆｆｅｃｔｉｖｅｌｙ ａｎｄ ａｃｃｕｒａｔｅｌｙ　 　 【Ｋｅｙ ｗｏｒｄｓ】 　 Ｍａｔｈｅｍａｔｉｃａｌ ｐｒｅｄｉｃｔｉｎｇ ｍｏｄｅｌ ｏｆ ｐａｒｏｔｉｄ 　 Ｄｉｓｔａｎｃｅ ｔｏ ｔａｒｇｅｔ ｈｉｓｔｏｇｒａｍ 　 Ｄｏｓｅｖｏｌｕｍｅ ｈｉｓｔｏｇｒａｍ

Ｆｕｎｄ ｐｒｏｇｒａｍ Ｎａｔｉｏｎａｌ Ｓｃｉｅｎｃｅ Ｆｕｎｄ ｏｆ Ｃｈｉｎａ Ｐｒｏｊｅｃｔ （ ８１３７１７１０ ） Ｇｕａｎｇｄｏｎｇ Ｓｃｉｅｎｃｅ ａｎｄＴｅｃｈｎｏｌｏｇｙ Ｐｌａｎ Ｉｔｅｍｓ （２０１３Ｂ０２１８００１４９）

　 　 鼻咽癌 ＩＭＲＴ 计划设计的目标是在保证肿瘤靶

区得到高剂量照射的同时尽可能的减小周围正常组

织和器官受照剂量降低 ＮＴＣＰ ［１］ 但由于计划逆

向优化需求解的是一个包含多个目标函数的非常复

杂的优化问题很难保证在临床可接受时间内找到

问题的全局最优解 尤其当靶区和 ＯＡＲ 紧邻目标

函数无法全部实现需折中处理时问题就更加突出一些研究显示 ＩＭＲＴ 计划的质量在很大程度上依赖

于计划设计者经验及设计治疗计划所花费时间即便在同一中心内由于计划设计者经验不同也会导

致计划质量存在较大差异［２３］ Ｍｏｏｒｅ 等［４］ 和 Ｗｕ等［５］报道了由于 ＩＭＲＴ 计划质量不佳造成部分患者

受到过量照射案例 对鼻咽癌放射敏感器官如腮

腺过量照射会造成口干等并发症严重影响患者生

活质量因此在计划设计时需要对腮腺剂量格外重

视［６］ 本研究拟用医学数据分析方法利用已知疗

效的鼻咽癌 ＩＭＲＴ 计划建立腮腺剂量预测模型用先验信息指导新计划设计作为一种质控工具保证

腮腺免受不合理照射

材料与方法

　 　 １病例资料从中山大学肿瘤医院放疗科鼻咽

癌数据库中选取 ６０ 例已完成 ＩＭＲＴ 的鼻咽癌患者

治疗计划其中 ５０ 例用于建模１０ 例用于模型验

证 该批 ＩＭＲＴ 计划均使用瓦里安 ＥｃｌｉｐｓｅＴＰＳ１０1049008 ０进行设计统一采用共面 ９ 个野布野方式入射角度

分别为 １６０deg１２０deg８０deg４０deg０deg３２０deg２８０deg２４０deg和２００deg 靶区放疗处方ＰＴＶｎｘ为 ７０ Ｇｙ 分 ３０ 次ＰＴＶ１

为 ６０ Ｇｙ 分 ３０ 次ＰＴＶ２ 为 ５４ Ｇｙ 分 ３０ 次ＰＴＶｎｘ为

６４～７０ Ｇｙ 分 ３０ 次 ＯＡＲ 剂量限值参照相关指南２获取剂量信息并计算 ＤＴＨ使用自编软件导

入读取 ＴＰＳ 输出的患者结构信息文件（Ｄｉｃｏｍ ＲＴ）和剂量信息文件（Ｄｉｃｏｍ Ｄｏｓｅ）一方面根据 ＤｉｃｏｍＲＴ 文件重建靶区和 ＯＡＲ 三维空间坐标系编程计

算腮腺内每一个体素点到 ＰＴＶ１ＰＴＶ２ 和 ＰＴＶｎｘ靶区

表面的最小距离另一方面则从 Ｄｉｃｏｍ Ｄｏｓｅ 文件中

提取出每个体素对应的点剂量值从而建立起距

离mdash剂量对应关系并进而转换生成腮腺 ＤＴＨ 和

ＤＶＨ 通过 ＤＴＨ 方法可以将复杂的三维空间位置

信息映射到简单的一维体积mdash距离平面图上３模型构建在用于建模的 ５０ 例病例中对每

一条 ＤＴＨ 曲线和 ＤＶＨ 曲线按等间距取样构成

ＤＴＨ 样本矩阵和 ＤＶＨ 样本矩阵 每个矩阵标准

化计算协方差矩阵的特征向量和特征值并根据特

征值由大到小对特征向量进行排列选取特征值占

比总和超过 ９７的前几个特征向量进而得出每个

样本矩阵的主成分 通过主成分分析可以较好实现

数据的降噪和去冗余［７］ 将 ＤＴＨ 样本矩阵主成分腮腺体积ＰＴＶ１ＰＴＶ２ 和 ＰＴＶｎｘ 作为自变量ＤＶＨ样本矩阵的主成分作为因变量进行多元非线性回

归分析得出回归方程建立腮腺剂量预测模型４模型验证将 １０ 例验证病例 Ｄｉｃｏｍ ＲＴ 文件

导入自编距离计算软件重建靶区和腮腺空间解剖

结构关系计算出相应 ＤＴＨ 并做主成分分析 将腮

腺 ＤＴＨ 主成分腮腺体积ＰＴＶ１ＰＴＶ２ 和 ＰＴＶｎｘ导

入模型获取每例验证计划腮腺预测 ＤＶＨ 图 比较

预测 ＤＶＨ 曲线与原人工设计计划 ＤＶＨ 的差异对腮腺剂量预测模型的可靠性和准确性进评估

结　 　 果

　 　 １ＤＴＨ图 １ 为１ 例鼻咽癌患者左腮腺内的体素

点到计划靶区 ＰＴＶ２ＰＴＶ１ 和 ＰＴＶｎｘ的剂量距离分布

和 ＤＴＨ 图 可以看出由于 ３ 个靶区与左腮腺的位

置关系不一样产生的 ３ 个距离mdash剂量分布和 ＤＴＨ图均有不同这提示采用 ＤＴＨ 方法可以较好反应出

解剖结构间的相互关系适宜作为建模关键参数　 　 ２主成分分析与回归结果图 ２ 为 １ 例鼻咽癌

患者左腮腺 ＤＴＨ 和 ＤＶＨ 主成分分析结果 由图 ２可知ＤＴＨ＿ＰＴＶ２ＤＴＨ＿ＰＴＶ１ＤＴＨ＿ＰＴＶｎｘ 和 ＤＶＨ可通过主成分分析的方法分别由 ２３ 个主成分进

行表达选择主成分所包含的原样本数据信息均达

９７以上　 　 所求得的非线性回归拟合方程如下ＤＶＨ＿ＰＣ１

＝ － ０1049008 ２８ ＋ １1049008 ５０ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ ＋ ２1049008 ３７ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２＋ １1049008 ０８ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ２ － ０1049008 ０８（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１） ２ －０1049008 ７（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１） ２ＤＴＨ＿ＰＴＶ２＿ＰＣ２＋１1049008 ３（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ２＋０1049008 ９（ＤＴＨ＿ＰＴＶ２

＿ＰＣ２） ２ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ －０1049008 ６（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１） ３ ＋０1049008 ８２（ＤＴＨ＿ＰＴＶ２＿ＰＣ１） ３ＤＴＨ＿ＰＴＶ２＿ＰＣ２ ＋１1049008 １（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ －３1049008 ２（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ － ０1049008 ０２ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ －０1049008 ０５ＤＴＨ＿ＰＴＶ２＿ＰＣ２ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ

ＤＶＨ ＿ ＰＣ２ ＝ ０1049008 １６ － ０1049008 ７９ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ ＋１1049008 ５４ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ２ － １1049008 ９ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ＤＴＨ ＿ＰＴＶ２＿ＰＣ２ －０1049008 ６５（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１） ２ －０1049008 ３２（ＤＴＨ＿ＰＴＶ２＿ＰＣ１ ） ２ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ ＋ １1049008 ８５ （ ＤＴＨ ＿ＰＴＶ２ ＿ＰＣ２ ） ２ －２1049008 ８８（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ ） ２ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ ＋

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

图 １　 鼻咽癌患者 ＰＴＶ２ＰＴＶ１ 和 ＰＴＶｎｘ与左腮腺剂量距离分布图与曲线示例（１Ａ１Ｂ１Ｃ 与 １Ｄ１Ｅ１Ｆ）

０1049008 ５ （ ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ ） ３ ＋ ０1049008 ９９ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ１） ３ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ － １1049008 １ （ ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ２ ） ３ ＋１1049008 ２８（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ＤＴＨ＿ＰＴＶ２＿ＰＣ１＋０1049008 ０２ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ１ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ － ０1049008 ０５ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ ＋ ０1049008 ０３ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ１） ２ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ － ０1049008 ０４ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２） ２ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ

ＤＶＨ ＿ ＰＣ３ ＝ － ０1049008 ２３ － ０1049008 １５ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ －０1049008 ７８ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ２ ＋ ０1049008 １８ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ１ＤＴＨ ＿ＰＴＶ２＿ＰＣ２ － ０1049008 ０２ （ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ ） ２ ＋ ０1049008 ２ （ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ１ ） ２ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ２ － ０1049008 ８ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２） ２＋ ０1049008 ４ （ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ２ ） ２ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ１ －０1049008 ０２ （ ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ ） ３ － ０1049008 ５ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ１） ３ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ ＋ ２1049008 １４（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２） ３ ＋０1049008 ２９（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ＤＴＨ＿ＰＴＶ２＿ＰＣ１＋０1049008 ０１ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ１ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ － ０1049008 ０２ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ

其中 ＤＶＨ＿ＰＣ１ＤＶＨ＿ＰＣ２ＤＶＨ＿ＰＣ３ 分别是

ＤＶＨ 的 ３ 个主成分ＤＴＨ＿ＰＴＶ２＿ＰＣ１ ＤＴＨ＿ＰＴＶ２＿ＰＣ２ＤＴＨ＿ＰＴＶ２＿ＰＣ３ 分别为计划靶区 ＰＴＶ２ 与腮腺

的 ＤＴＨ 的主成分ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ 为腮腺的体

积从拟合公式可以看出腮腺的 ＤＶＨ 主成分主要取

决于与 ＰＴＶ２ 的解剖几何关系 进一步拟合误差分

析显示多元非线性拟合的误差分布集中在 plusmn５的

范围内 ５０ 例样本病例的平均拟合误差为 （ ０plusmn３1049008 ５）　 　 ３模型验证１０ 例验证病例腮腺预测剂量与原

ＩＭＲＴ 计划设计剂量对比见图 ３预测 ＤＶＨ 与计划

ＤＶＨ 间的误差分布如图 ４ 所示图 ２　 鼻咽癌样本数据中的 ＤＴＨ＿ＰＴＶ２（２Ａ）ＤＴＨ＿ＰＴＶ１（２Ｂ）ＤＴＨ＿ＰＴＶｎｘ（２Ｃ）和 ＤＶＨ 主成成分（２Ｄ）分析结果示例

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　图 ３　 １０ 例验证病例腮腺预测 ＤＶＨ 与

原计划设计 ＤＶＨ 比较 　 　

图 ４　 ５０ 例鼻咽癌患者模型预测与计划设计 ＤＶＨ 偏差分布图

　 　 从图 ３ 可看模型预测的 ＤＶＨ 剂量梯度和原计

划设计得出的 ＤＶＨ 剂量梯度高度相吻合 １０ 例验

证病例的二者平均误差为（ －０７plusmn４1049008 ４）预测的准

确度均达到 ９５以上（图 ４） １０ 例验证病例中最大偏差出现在第 ４ 例验证病例中模型预测出的

ＤＶＨ 曲线对左腮腺的限量明显优于原计划 ＤＶＨ 曲

线 为了探讨模型是否能有效检测计划的质量我们参考模型的预测结果对第 ４ 例病例的治疗计划

在 ＴＰＳ 上重新进行优化得出的结果见图 ５ 可以

看到重新优化后的腮腺剂量明显降低更接近模型

预测剂量同时靶区的剂量覆盖和其他 ＯＡＲ 的剂量

分布并未受到影响

讨　 　 论

　 　 本研究运用医学数据分析的方法利用已知疗

效的鼻咽癌 ＩＭＲＴ 计划通过 ＤＴＨ 方法将复杂三维

解剖结构关系映射到简单的一维距离mdash体积平面图

上建立腮腺剂量预测模型用先验信息指导新计图 ５　 鼻咽癌患者重新优化后的 ＤＶＨ 曲线示例（５Ａ 为左腮腺１Ｂ为靶区和其他 ＯＡＲ）

划设计排除了部分计划设计者由于经验欠缺可能

导致的计划质量差异有助于保护腮腺免受不合理

照射美国华盛顿大学 Ｗｕ 等［５］ 提出了一种基于器官

重叠体积分布图的信息检索法来预测 ＯＡＲ 剂量分

布即从一个治疗计划数据库中寻找和当前患者 Ａ具有相似解剖结构的已治疗患者 Ｂ然后以患者 Ｂ的治疗计划为参考生成患者 Ａ 的计划初始目标函

数并进行优化 由于人体解剖结构十分复杂个体

间结构信息千变万化很难找到高度一致的匹配从而影响预测结果 本研究通过数据建模对临床先

验经验进行总结提炼相对于信息检索方法建模

的方法更精确运行速度也更快具有更广泛的适用

性在 ＩＭＲＴ 中ＯＡＲ 的受量与其距肿瘤靶区的距

离密切相关 准确描述这种关系对保证建模精度尤

为重要 Ａｐｐｅｎｚｏｌｌｅｒ 等［８］采用了以靶区中心为出发

点在 ＴＰＳ 中从靶区边缘向外扩不同间距的方法来

确定靶区与 ＯＡＲ 体素间的距离 该方法虽然简单

易于实现但是其获取的只是某一个 ＣＴ 扫描层面靶

区表面与 ＯＡＲ 之间的最小距离并不一定是三维空

间中二者间的最小距离因此并不能完全反映 ＯＡＲ与靶区间的解剖结构关系信息 本研究通过自编软

件读取 ＴＰＳＤｉｃｏｍ ＲＴ 文件重建靶区和 ＯＡＲ 三维

空间坐标系计算腮腺内每一个体素点到靶区边缘

的空间最小距离进而生成 ＤＴＨ 曲线在解剖结构

几何关系描述中更加精确美国杜克大学 Ｚｈｕ 等［９］利用建模的方法成功预

测了前列腺癌 ＩＭＲＴ 计划中膀胱和直肠的剂量分布相对于前列腺计划鼻咽癌 ＩＭＲＴ 计划更加复杂 从

图 １ 中可以看出在鼻咽癌照射中肿瘤大体靶区亚临床照射区和淋巴照射区剂量处方均可能对腮腺的

剂量分布造成影响 因此本研究在建模时同时考

虑了腮腺与上述多个计划靶区的解剖结构关系从而使模型预测精度达到 ９５以上 需要指出的是本研究中暂未考虑腮腺与其他 ＯＡＲ 间可能的相互

影响在接下来的工作中拟进一步将各 ＯＡＲ 间的解

剖结构关系纳入模型参数中以进一步提高模型的

预测精度本研究选取我中心已有确切疗效的 ＩＭＲＴ 计划

建立预测模型虽然这些计划剂量分布均满足临床

要求但并不一定都达到了最佳的剂量分布 如验

证计划病例 ４通过计划再优化在保证其他条件无

明显变化的情况下可以进一步降低腮腺受量 由此

可见采用预测模型可以为临床提供一种较好的计

划质量评估工具有助于进一步提高 ＩＭＲＴ 计划设计

质量 同时当计划设计整体水平提高时通过不断

更新建模样本病例数据库调节模型可以使模型预

测结果更贴近最佳剂量分布 如本研究中验证病例

第 ７ 例和第 ８ 例原计划设计 ＤＶＨ 要优于模型预测

的 ＤＶＨ因此可以考虑将这两个病例纳入样本病例

库需要指出的是本研究方法具有通用性 现阶

段我们只总结了本中心鼻咽癌 ＩＭＲＴ 的经验建立了

腮腺剂量预测模型其他医院可以参考本模型也可

利用本方法建立各自独立的预测模型指导临床治

疗总之本研究提出的腮腺剂量预测模型能够有

效预测鼻咽癌 ＩＭＲＴ 计划腮腺剂量分布可作为评估

和验证治疗计划腮腺受量的质量保证工具

参　 考　 文　 献

［１］ Ｂｒａｈｍｅ Ａ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｓｔａｔｉｏｎａｒｙ ａｎｄ ｍｏｖｉｎｇ ｂｅａｍ ｒａｄｉａｔｉｏｎｔｈｅｒａｐｙ ｔｅｃｈｎｉｑｕｅｓ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ１９８８１２ （ ２）１２９１４０ＤＯＩ１０１０１６ ０１６７８１４０（８８）９０１６７３

［２］ Ｗｉｌｌｉａｍｓ ＭＪ Ｂａｉｌｅｙ ＭＪ Ｆｏｒｓｔｎｅｒ Ｄ ｅｔ ａｌ Ｍｕｌｔｉｃｅｎｔｒｅ ｑｕａｌｉｔｙａｓｓｕｒａｎｃｅ ｏｆ ｉｎｔｅｎｓｉｔｙｍｏｄｕｌａｔｅｄ ｒａｄｉａｔｉｏｎ ｔｈｅｒａｐｙ ｐｌａｎｓａ ｐｒｅｃｕｒｓｏｒｔｏ ｃｌｉｎｉｃａｌ ｔｒｉａｌｓ ［Ｊ］ Ａｕｓｔｒａｌ Ｒａｄｉｏｌ２００７５１（５）４７２４７９ＤＯＩ１０１１１１ ｊ１４４０１６７３1049008 ２００７1049008 ０１８７３ｘ

［３］ Ｂｏｈｓｕｎｇ ＪＧｉｌｌｉｓ ＳＡｒｒａｎｓ Ｒｅｔ ａｌ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎｎｉｎｇmdashａｃｏｍｐａｒａｔｉｖｅ ｉｎｔｅｒｓｙｓｔｅｍ ａｎｄ ｉｎｔｅｒｃｅｎｔｒｅ ｐｌａｎｎｉｎｇ ｅｘｅｒｃｉｓｅ ｏｆ ｔｈｅＥＳＴＲＯ ＱＵＡＳＩＭＯＤＯ ｇｒｏｕｐ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ２００５７６（３）３５４３６１ＤＯＩ１０１０１６ ｊｒａｄｏｎｃ２００５０８００３

［４］ Ｍｏｏｒｅ ＫＬ Ｂｒａｍｅ ＲＳ Ｌｏｗ ＤＡ ｅｔ ａｌ Ｅｘｐｅｒｉｅｎｃｅｂａｓｅｄ ｑｕａｌｉｔｙｃｏｎｔｒｏｌ ｏｆ ｃｌｉｎｉｃａｌ ｉｎｔｅｎｓｉｔｙ ｍｏｄｕｌａｔｅｄ ｒａｄｉｏｔｈｅｒａｐｙ ｐｌａｎｎｉｎｇ ［Ｊ］ ＩｎｔＪ Ｒａｄｉａｔ Ｏｎｃｏｌ Ｂｉｏｌ Ｐｈｙｓ２０１１８１（２）５４５５５１ＤＯＩ１０１０１６ ｊｉｊｒｏｂｐ２０１０１１０３０

［５］ Ｗｕ ＢＢＲｉｃｃｈｅｔｔｉ ＦＳａｎｇｕｉｎｅｔｉ Ｇ ｅｔ ａｌ Ｐａｔｉｅｎｔ ｇｅｏｍｅｔｒｙｄｒｉｖｅｎｉｎｆｏｒｍａｔｉｏｎ ｒｅｔｒｉｅｖａｌ ｆｏｒ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎ ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２００９３６（１２）５４９７５５０５ＤＯＩ１０１１１８ １３２５３４６４

［６］ 洗超贵樊卫吴少雄等鼻咽癌患者放射治疗的腮腺功能损伤分析 ［Ｊ］ 癌症１９９９１８ （ ２）１８２１８４ ＤＯＩ１０ ３９６９ ｊ ｉｓｓｎ１０００４６７Ｘ１９９９０２０２１Ｘｉａｎ ＣＨＧＦａｎ ＷＷｕ ＳＨＸｅｔ ａｌ Ａｎａｌｙｓｅ ｒａｄｉａｔｉｏｎ ｄａｍａｇｅ ｔｏ ｔｈｅｐａｒｏｔｉｄ ｇｌａｎｄ ｆｕｎｃｔｉｏｎ ｏｆ ｐａｔｉｅｎｔｓ ｓｕｆｆｅｒ ｎａｓｏｐｈａｒｙｎｇｅａｌ ｃａｒｃｉｎｏｍａ（ＮＰＣ）［Ｊ］ Ｃｈｉｎ Ｊ Ｃａｎｃｅｒ１９９９１８（２）１８２１８４ＤＯＩ１０３９６９ ｊｉｓｓｎ１０００４６７Ｘ１９９９０２０２１

［７］ Ｐｒｉｃｅ ＡＬ Ｐａｔｔｅｒｓｏｎ ＮＪ Ｐｌｅｎｇｅ ＲＭ ｅｔ ａｌ Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ ｃｏｒｒｅｃｔｓ ｆｏｒ ｓｔｒａｔｉｆｉｃａｔｉｏｎ ｉｎ ｇｅｎｏｍｅｗｉｄｅ ａｓｓｏｃｉａｔｉｏｎ ｓｔｕｄｉｅｓ［Ｊ］ Ｎａｔ Ｇｅｎｅｔ２００６３８（８）９０４９０９ＤＯＩ１０１０３８ ｎｇ１８４７

［８］ Ａｐｐｅｎｚｏｌｌｅｒ ＬＭＭｉｃｈａｌｓｋｉ ＪＭＴｈｏｒｓｔａｄ ＷＬｅｔ ａｌ Ｐｒｅｄｉｃｔｉｎｇ ｄｏｓｅｖｏｌｕｍｅ ｈｉｓｔｏｇｒａｍｓ ｆｏｒ ｏｒｇａｎｓａｔｒｉｓｋ ｉｎ ＩＭＲＴ ｐｌａｎｎｉｎｇ ［Ｊ］ ＭｅｄＰｈｙｓ２０１２３９（１２）７４４６７４６１ＤＯＩ１０１１１８ １４７６１８６４

［９］ Ｚｈｕ ＸＦＧｅ ＹＲＬｉ ＴＲｅｔ ａｌ Ａ ｐｌａｎｎｉｎｇ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｔｏｏｌ ｆｏｒｐｒｏｓｔａｔｅ ａｄａｐｔｉｖｅ ＩＭＲＴ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２０１１３８（２）７１９７２６ＤＯＩ１０１１１８ １３５３９７４９

（收稿日期２０１５０６１１）

　 　 鼻咽癌 ＩＭＲＴ 计划设计的目标是在保证肿瘤靶

区得到高剂量照射的同时尽可能的减小周围正常组

织和器官受照剂量降低 ＮＴＣＰ ［１］ 但由于计划逆

向优化需求解的是一个包含多个目标函数的非常复

杂的优化问题很难保证在临床可接受时间内找到

问题的全局最优解 尤其当靶区和 ＯＡＲ 紧邻目标

函数无法全部实现需折中处理时问题就更加突出一些研究显示 ＩＭＲＴ 计划的质量在很大程度上依赖

于计划设计者经验及设计治疗计划所花费时间即便在同一中心内由于计划设计者经验不同也会导

致计划质量存在较大差异［２３］ Ｍｏｏｒｅ 等［４］ 和 Ｗｕ等［５］报道了由于 ＩＭＲＴ 计划质量不佳造成部分患者

受到过量照射案例 对鼻咽癌放射敏感器官如腮

腺过量照射会造成口干等并发症严重影响患者生

活质量因此在计划设计时需要对腮腺剂量格外重

视［６］ 本研究拟用医学数据分析方法利用已知疗

效的鼻咽癌 ＩＭＲＴ 计划建立腮腺剂量预测模型用先验信息指导新计划设计作为一种质控工具保证

腮腺免受不合理照射

材料与方法

　 　 １病例资料从中山大学肿瘤医院放疗科鼻咽

癌数据库中选取 ６０ 例已完成 ＩＭＲＴ 的鼻咽癌患者

治疗计划其中 ５０ 例用于建模１０ 例用于模型验

证 该批 ＩＭＲＴ 计划均使用瓦里安 ＥｃｌｉｐｓｅＴＰＳ１０1049008 ０进行设计统一采用共面 ９ 个野布野方式入射角度

分别为 １６０deg１２０deg８０deg４０deg０deg３２０deg２８０deg２４０deg和２００deg 靶区放疗处方ＰＴＶｎｘ为 ７０ Ｇｙ 分 ３０ 次ＰＴＶ１

为 ６０ Ｇｙ 分 ３０ 次ＰＴＶ２ 为 ５４ Ｇｙ 分 ３０ 次ＰＴＶｎｘ为

６４～７０ Ｇｙ 分 ３０ 次 ＯＡＲ 剂量限值参照相关指南２获取剂量信息并计算 ＤＴＨ使用自编软件导

入读取 ＴＰＳ 输出的患者结构信息文件（Ｄｉｃｏｍ ＲＴ）和剂量信息文件（Ｄｉｃｏｍ Ｄｏｓｅ）一方面根据 ＤｉｃｏｍＲＴ 文件重建靶区和 ＯＡＲ 三维空间坐标系编程计

算腮腺内每一个体素点到 ＰＴＶ１ＰＴＶ２ 和 ＰＴＶｎｘ靶区

表面的最小距离另一方面则从 Ｄｉｃｏｍ Ｄｏｓｅ 文件中

提取出每个体素对应的点剂量值从而建立起距

离mdash剂量对应关系并进而转换生成腮腺 ＤＴＨ 和

ＤＶＨ 通过 ＤＴＨ 方法可以将复杂的三维空间位置

信息映射到简单的一维体积mdash距离平面图上３模型构建在用于建模的 ５０ 例病例中对每

一条 ＤＴＨ 曲线和 ＤＶＨ 曲线按等间距取样构成

ＤＴＨ 样本矩阵和 ＤＶＨ 样本矩阵 每个矩阵标准

化计算协方差矩阵的特征向量和特征值并根据特

征值由大到小对特征向量进行排列选取特征值占

比总和超过 ９７的前几个特征向量进而得出每个

样本矩阵的主成分 通过主成分分析可以较好实现

数据的降噪和去冗余［７］ 将 ＤＴＨ 样本矩阵主成分腮腺体积ＰＴＶ１ＰＴＶ２ 和 ＰＴＶｎｘ 作为自变量ＤＶＨ样本矩阵的主成分作为因变量进行多元非线性回

归分析得出回归方程建立腮腺剂量预测模型４模型验证将 １０ 例验证病例 Ｄｉｃｏｍ ＲＴ 文件

导入自编距离计算软件重建靶区和腮腺空间解剖

结构关系计算出相应 ＤＴＨ 并做主成分分析 将腮

腺 ＤＴＨ 主成分腮腺体积ＰＴＶ１ＰＴＶ２ 和 ＰＴＶｎｘ导

入模型获取每例验证计划腮腺预测 ＤＶＨ 图 比较

预测 ＤＶＨ 曲线与原人工设计计划 ＤＶＨ 的差异对腮腺剂量预测模型的可靠性和准确性进评估

结　 　 果

　 　 １ＤＴＨ图 １ 为１ 例鼻咽癌患者左腮腺内的体素

点到计划靶区 ＰＴＶ２ＰＴＶ１ 和 ＰＴＶｎｘ的剂量距离分布

和 ＤＴＨ 图 可以看出由于 ３ 个靶区与左腮腺的位

置关系不一样产生的 ３ 个距离mdash剂量分布和 ＤＴＨ图均有不同这提示采用 ＤＴＨ 方法可以较好反应出

解剖结构间的相互关系适宜作为建模关键参数　 　 ２主成分分析与回归结果图 ２ 为 １ 例鼻咽癌

患者左腮腺 ＤＴＨ 和 ＤＶＨ 主成分分析结果 由图 ２可知ＤＴＨ＿ＰＴＶ２ＤＴＨ＿ＰＴＶ１ＤＴＨ＿ＰＴＶｎｘ 和 ＤＶＨ可通过主成分分析的方法分别由 ２３ 个主成分进

行表达选择主成分所包含的原样本数据信息均达

９７以上　 　 所求得的非线性回归拟合方程如下ＤＶＨ＿ＰＣ１

＝ － ０1049008 ２８ ＋ １1049008 ５０ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ ＋ ２1049008 ３７ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２＋ １1049008 ０８ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ２ － ０1049008 ０８（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１） ２ －０1049008 ７（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１） ２ＤＴＨ＿ＰＴＶ２＿ＰＣ２＋１1049008 ３（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ２＋０1049008 ９（ＤＴＨ＿ＰＴＶ２

＿ＰＣ２） ２ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ －０1049008 ６（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１） ３ ＋０1049008 ８２（ＤＴＨ＿ＰＴＶ２＿ＰＣ１） ３ＤＴＨ＿ＰＴＶ２＿ＰＣ２ ＋１1049008 １（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ －３1049008 ２（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ － ０1049008 ０２ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ －０1049008 ０５ＤＴＨ＿ＰＴＶ２＿ＰＣ２ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ

ＤＶＨ ＿ ＰＣ２ ＝ ０1049008 １６ － ０1049008 ７９ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ ＋１1049008 ５４ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ２ － １1049008 ９ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ＤＴＨ ＿ＰＴＶ２＿ＰＣ２ －０1049008 ６５（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１） ２ －０1049008 ３２（ＤＴＨ＿ＰＴＶ２＿ＰＣ１ ） ２ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ ＋ １1049008 ８５ （ ＤＴＨ ＿ＰＴＶ２ ＿ＰＣ２ ） ２ －２1049008 ８８（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ ） ２ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ ＋

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

图 １　 鼻咽癌患者 ＰＴＶ２ＰＴＶ１ 和 ＰＴＶｎｘ与左腮腺剂量距离分布图与曲线示例（１Ａ１Ｂ１Ｃ 与 １Ｄ１Ｅ１Ｆ）

０1049008 ５ （ ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ ） ３ ＋ ０1049008 ９９ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ１） ３ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ － １1049008 １ （ ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ２ ） ３ ＋１1049008 ２８（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ＤＴＨ＿ＰＴＶ２＿ＰＣ１＋０1049008 ０２ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ１ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ － ０1049008 ０５ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ ＋ ０1049008 ０３ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ１） ２ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ － ０1049008 ０４ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２） ２ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ

ＤＶＨ ＿ ＰＣ３ ＝ － ０1049008 ２３ － ０1049008 １５ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ －０1049008 ７８ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ２ ＋ ０1049008 １８ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ１ＤＴＨ ＿ＰＴＶ２＿ＰＣ２ － ０1049008 ０２ （ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ ） ２ ＋ ０1049008 ２ （ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ１ ） ２ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ２ － ０1049008 ８ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２） ２＋ ０1049008 ４ （ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ２ ） ２ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ１ －０1049008 ０２ （ ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ ） ３ － ０1049008 ５ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ１） ３ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ ＋ ２1049008 １４（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２） ３ ＋０1049008 ２９（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ＤＴＨ＿ＰＴＶ２＿ＰＣ１＋０1049008 ０１ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ１ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ － ０1049008 ０２ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ

其中 ＤＶＨ＿ＰＣ１ＤＶＨ＿ＰＣ２ＤＶＨ＿ＰＣ３ 分别是

ＤＶＨ 的 ３ 个主成分ＤＴＨ＿ＰＴＶ２＿ＰＣ１ ＤＴＨ＿ＰＴＶ２＿ＰＣ２ＤＴＨ＿ＰＴＶ２＿ＰＣ３ 分别为计划靶区 ＰＴＶ２ 与腮腺

的 ＤＴＨ 的主成分ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ 为腮腺的体

积从拟合公式可以看出腮腺的 ＤＶＨ 主成分主要取

决于与 ＰＴＶ２ 的解剖几何关系 进一步拟合误差分

析显示多元非线性拟合的误差分布集中在 plusmn５的

范围内 ５０ 例样本病例的平均拟合误差为 （ ０plusmn３1049008 ５）　 　 ３模型验证１０ 例验证病例腮腺预测剂量与原

ＩＭＲＴ 计划设计剂量对比见图 ３预测 ＤＶＨ 与计划

ＤＶＨ 间的误差分布如图 ４ 所示图 ２　 鼻咽癌样本数据中的 ＤＴＨ＿ＰＴＶ２（２Ａ）ＤＴＨ＿ＰＴＶ１（２Ｂ）ＤＴＨ＿ＰＴＶｎｘ（２Ｃ）和 ＤＶＨ 主成成分（２Ｄ）分析结果示例

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　图 ３　 １０ 例验证病例腮腺预测 ＤＶＨ 与

原计划设计 ＤＶＨ 比较 　 　

图 ４　 ５０ 例鼻咽癌患者模型预测与计划设计 ＤＶＨ 偏差分布图

　 　 从图 ３ 可看模型预测的 ＤＶＨ 剂量梯度和原计

划设计得出的 ＤＶＨ 剂量梯度高度相吻合 １０ 例验

证病例的二者平均误差为（ －０７plusmn４1049008 ４）预测的准

确度均达到 ９５以上（图 ４） １０ 例验证病例中最大偏差出现在第 ４ 例验证病例中模型预测出的

ＤＶＨ 曲线对左腮腺的限量明显优于原计划 ＤＶＨ 曲

线 为了探讨模型是否能有效检测计划的质量我们参考模型的预测结果对第 ４ 例病例的治疗计划

在 ＴＰＳ 上重新进行优化得出的结果见图 ５ 可以

看到重新优化后的腮腺剂量明显降低更接近模型

预测剂量同时靶区的剂量覆盖和其他 ＯＡＲ 的剂量

分布并未受到影响

讨　 　 论

　 　 本研究运用医学数据分析的方法利用已知疗

效的鼻咽癌 ＩＭＲＴ 计划通过 ＤＴＨ 方法将复杂三维

解剖结构关系映射到简单的一维距离mdash体积平面图

上建立腮腺剂量预测模型用先验信息指导新计图 ５　 鼻咽癌患者重新优化后的 ＤＶＨ 曲线示例（５Ａ 为左腮腺１Ｂ为靶区和其他 ＯＡＲ）

划设计排除了部分计划设计者由于经验欠缺可能

导致的计划质量差异有助于保护腮腺免受不合理

照射美国华盛顿大学 Ｗｕ 等［５］ 提出了一种基于器官

重叠体积分布图的信息检索法来预测 ＯＡＲ 剂量分

布即从一个治疗计划数据库中寻找和当前患者 Ａ具有相似解剖结构的已治疗患者 Ｂ然后以患者 Ｂ的治疗计划为参考生成患者 Ａ 的计划初始目标函

数并进行优化 由于人体解剖结构十分复杂个体

间结构信息千变万化很难找到高度一致的匹配从而影响预测结果 本研究通过数据建模对临床先

验经验进行总结提炼相对于信息检索方法建模

的方法更精确运行速度也更快具有更广泛的适用

性在 ＩＭＲＴ 中ＯＡＲ 的受量与其距肿瘤靶区的距

离密切相关 准确描述这种关系对保证建模精度尤

为重要 Ａｐｐｅｎｚｏｌｌｅｒ 等［８］采用了以靶区中心为出发

点在 ＴＰＳ 中从靶区边缘向外扩不同间距的方法来

确定靶区与 ＯＡＲ 体素间的距离 该方法虽然简单

易于实现但是其获取的只是某一个 ＣＴ 扫描层面靶

区表面与 ＯＡＲ 之间的最小距离并不一定是三维空

间中二者间的最小距离因此并不能完全反映 ＯＡＲ与靶区间的解剖结构关系信息 本研究通过自编软

件读取 ＴＰＳＤｉｃｏｍ ＲＴ 文件重建靶区和 ＯＡＲ 三维

空间坐标系计算腮腺内每一个体素点到靶区边缘

的空间最小距离进而生成 ＤＴＨ 曲线在解剖结构

几何关系描述中更加精确美国杜克大学 Ｚｈｕ 等［９］利用建模的方法成功预

测了前列腺癌 ＩＭＲＴ 计划中膀胱和直肠的剂量分布相对于前列腺计划鼻咽癌 ＩＭＲＴ 计划更加复杂 从

图 １ 中可以看出在鼻咽癌照射中肿瘤大体靶区亚临床照射区和淋巴照射区剂量处方均可能对腮腺的

剂量分布造成影响 因此本研究在建模时同时考

虑了腮腺与上述多个计划靶区的解剖结构关系从而使模型预测精度达到 ９５以上 需要指出的是本研究中暂未考虑腮腺与其他 ＯＡＲ 间可能的相互

影响在接下来的工作中拟进一步将各 ＯＡＲ 间的解

剖结构关系纳入模型参数中以进一步提高模型的

预测精度本研究选取我中心已有确切疗效的 ＩＭＲＴ 计划

建立预测模型虽然这些计划剂量分布均满足临床

要求但并不一定都达到了最佳的剂量分布 如验

证计划病例 ４通过计划再优化在保证其他条件无

明显变化的情况下可以进一步降低腮腺受量 由此

可见采用预测模型可以为临床提供一种较好的计

划质量评估工具有助于进一步提高 ＩＭＲＴ 计划设计

质量 同时当计划设计整体水平提高时通过不断

更新建模样本病例数据库调节模型可以使模型预

测结果更贴近最佳剂量分布 如本研究中验证病例

第 ７ 例和第 ８ 例原计划设计 ＤＶＨ 要优于模型预测

的 ＤＶＨ因此可以考虑将这两个病例纳入样本病例

库需要指出的是本研究方法具有通用性 现阶

段我们只总结了本中心鼻咽癌 ＩＭＲＴ 的经验建立了

腮腺剂量预测模型其他医院可以参考本模型也可

利用本方法建立各自独立的预测模型指导临床治

疗总之本研究提出的腮腺剂量预测模型能够有

效预测鼻咽癌 ＩＭＲＴ 计划腮腺剂量分布可作为评估

和验证治疗计划腮腺受量的质量保证工具

参　 考　 文　 献

［１］ Ｂｒａｈｍｅ Ａ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｓｔａｔｉｏｎａｒｙ ａｎｄ ｍｏｖｉｎｇ ｂｅａｍ ｒａｄｉａｔｉｏｎｔｈｅｒａｐｙ ｔｅｃｈｎｉｑｕｅｓ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ１９８８１２ （ ２）１２９１４０ＤＯＩ１０１０１６ ０１６７８１４０（８８）９０１６７３

［２］ Ｗｉｌｌｉａｍｓ ＭＪ Ｂａｉｌｅｙ ＭＪ Ｆｏｒｓｔｎｅｒ Ｄ ｅｔ ａｌ Ｍｕｌｔｉｃｅｎｔｒｅ ｑｕａｌｉｔｙａｓｓｕｒａｎｃｅ ｏｆ ｉｎｔｅｎｓｉｔｙｍｏｄｕｌａｔｅｄ ｒａｄｉａｔｉｏｎ ｔｈｅｒａｐｙ ｐｌａｎｓａ ｐｒｅｃｕｒｓｏｒｔｏ ｃｌｉｎｉｃａｌ ｔｒｉａｌｓ ［Ｊ］ Ａｕｓｔｒａｌ Ｒａｄｉｏｌ２００７５１（５）４７２４７９ＤＯＩ１０１１１１ ｊ１４４０１６７３1049008 ２００７1049008 ０１８７３ｘ

［３］ Ｂｏｈｓｕｎｇ ＪＧｉｌｌｉｓ ＳＡｒｒａｎｓ Ｒｅｔ ａｌ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎｎｉｎｇmdashａｃｏｍｐａｒａｔｉｖｅ ｉｎｔｅｒｓｙｓｔｅｍ ａｎｄ ｉｎｔｅｒｃｅｎｔｒｅ ｐｌａｎｎｉｎｇ ｅｘｅｒｃｉｓｅ ｏｆ ｔｈｅＥＳＴＲＯ ＱＵＡＳＩＭＯＤＯ ｇｒｏｕｐ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ２００５７６（３）３５４３６１ＤＯＩ１０１０１６ ｊｒａｄｏｎｃ２００５０８００３

［４］ Ｍｏｏｒｅ ＫＬ Ｂｒａｍｅ ＲＳ Ｌｏｗ ＤＡ ｅｔ ａｌ Ｅｘｐｅｒｉｅｎｃｅｂａｓｅｄ ｑｕａｌｉｔｙｃｏｎｔｒｏｌ ｏｆ ｃｌｉｎｉｃａｌ ｉｎｔｅｎｓｉｔｙ ｍｏｄｕｌａｔｅｄ ｒａｄｉｏｔｈｅｒａｐｙ ｐｌａｎｎｉｎｇ ［Ｊ］ ＩｎｔＪ Ｒａｄｉａｔ Ｏｎｃｏｌ Ｂｉｏｌ Ｐｈｙｓ２０１１８１（２）５４５５５１ＤＯＩ１０１０１６ ｊｉｊｒｏｂｐ２０１０１１０３０

［５］ Ｗｕ ＢＢＲｉｃｃｈｅｔｔｉ ＦＳａｎｇｕｉｎｅｔｉ Ｇ ｅｔ ａｌ Ｐａｔｉｅｎｔ ｇｅｏｍｅｔｒｙｄｒｉｖｅｎｉｎｆｏｒｍａｔｉｏｎ ｒｅｔｒｉｅｖａｌ ｆｏｒ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎ ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２００９３６（１２）５４９７５５０５ＤＯＩ１０１１１８ １３２５３４６４

［６］ 洗超贵樊卫吴少雄等鼻咽癌患者放射治疗的腮腺功能损伤分析 ［Ｊ］ 癌症１９９９１８ （ ２）１８２１８４ ＤＯＩ１０ ３９６９ ｊ ｉｓｓｎ１０００４６７Ｘ１９９９０２０２１Ｘｉａｎ ＣＨＧＦａｎ ＷＷｕ ＳＨＸｅｔ ａｌ Ａｎａｌｙｓｅ ｒａｄｉａｔｉｏｎ ｄａｍａｇｅ ｔｏ ｔｈｅｐａｒｏｔｉｄ ｇｌａｎｄ ｆｕｎｃｔｉｏｎ ｏｆ ｐａｔｉｅｎｔｓ ｓｕｆｆｅｒ ｎａｓｏｐｈａｒｙｎｇｅａｌ ｃａｒｃｉｎｏｍａ（ＮＰＣ）［Ｊ］ Ｃｈｉｎ Ｊ Ｃａｎｃｅｒ１９９９１８（２）１８２１８４ＤＯＩ１０３９６９ ｊｉｓｓｎ１０００４６７Ｘ１９９９０２０２１

［７］ Ｐｒｉｃｅ ＡＬ Ｐａｔｔｅｒｓｏｎ ＮＪ Ｐｌｅｎｇｅ ＲＭ ｅｔ ａｌ Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ ｃｏｒｒｅｃｔｓ ｆｏｒ ｓｔｒａｔｉｆｉｃａｔｉｏｎ ｉｎ ｇｅｎｏｍｅｗｉｄｅ ａｓｓｏｃｉａｔｉｏｎ ｓｔｕｄｉｅｓ［Ｊ］ Ｎａｔ Ｇｅｎｅｔ２００６３８（８）９０４９０９ＤＯＩ１０１０３８ ｎｇ１８４７

［８］ Ａｐｐｅｎｚｏｌｌｅｒ ＬＭＭｉｃｈａｌｓｋｉ ＪＭＴｈｏｒｓｔａｄ ＷＬｅｔ ａｌ Ｐｒｅｄｉｃｔｉｎｇ ｄｏｓｅｖｏｌｕｍｅ ｈｉｓｔｏｇｒａｍｓ ｆｏｒ ｏｒｇａｎｓａｔｒｉｓｋ ｉｎ ＩＭＲＴ ｐｌａｎｎｉｎｇ ［Ｊ］ ＭｅｄＰｈｙｓ２０１２３９（１２）７４４６７４６１ＤＯＩ１０１１１８ １４７６１８６４

［９］ Ｚｈｕ ＸＦＧｅ ＹＲＬｉ ＴＲｅｔ ａｌ Ａ ｐｌａｎｎｉｎｇ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｔｏｏｌ ｆｏｒｐｒｏｓｔａｔｅ ａｄａｐｔｉｖｅ ＩＭＲＴ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２０１１３８（２）７１９７２６ＤＯＩ１０１１１８ １３５３９７４９

（收稿日期２０１５０６１１）

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

图 １　 鼻咽癌患者 ＰＴＶ２ＰＴＶ１ 和 ＰＴＶｎｘ与左腮腺剂量距离分布图与曲线示例（１Ａ１Ｂ１Ｃ 与 １Ｄ１Ｅ１Ｆ）

０1049008 ５ （ ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ ） ３ ＋ ０1049008 ９９ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ１） ３ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ － １1049008 １ （ ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ２ ） ３ ＋１1049008 ２８（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ＤＴＨ＿ＰＴＶ２＿ＰＣ１＋０1049008 ０２ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ１ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ － ０1049008 ０５ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ ＋ ０1049008 ０３ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ１） ２ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ － ０1049008 ０４ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２） ２ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ

ＤＶＨ ＿ ＰＣ３ ＝ － ０1049008 ２３ － ０1049008 １５ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ －０1049008 ７８ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ２ ＋ ０1049008 １８ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ１ＤＴＨ ＿ＰＴＶ２＿ＰＣ２ － ０1049008 ０２ （ＤＴＨ＿ＰＴＶ２ ＿ＰＣ１ ） ２ ＋ ０1049008 ２ （ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ１ ） ２ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ２ － ０1049008 ８ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２） ２＋ ０1049008 ４ （ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ２ ） ２ＤＴＨ ＿ＰＴＶ２ ＿ ＰＣ１ －０1049008 ０２ （ ＤＴＨ ＿ ＰＴＶ２ ＿ ＰＣ１ ） ３ － ０1049008 ５ （ ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ１） ３ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２ ＋ ２1049008 １４（ＤＴＨ＿ＰＴＶ２ ＿ＰＣ２） ３ ＋０1049008 ２９（ＤＴＨ＿ＰＴＶ２＿ＰＣ２） ３ＤＴＨ＿ＰＴＶ２＿ＰＣ１＋０1049008 ０１ＤＴＨ＿ＰＴＶ２ ＿ ＰＣ１ＰＡＲＯＴＩＤ ＿ ＶＯＬＵＭＥ － ０1049008 ０２ＤＴＨ ＿ ＰＴＶ２ ＿ＰＣ２ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ

其中 ＤＶＨ＿ＰＣ１ＤＶＨ＿ＰＣ２ＤＶＨ＿ＰＣ３ 分别是

ＤＶＨ 的 ３ 个主成分ＤＴＨ＿ＰＴＶ２＿ＰＣ１ ＤＴＨ＿ＰＴＶ２＿ＰＣ２ＤＴＨ＿ＰＴＶ２＿ＰＣ３ 分别为计划靶区 ＰＴＶ２ 与腮腺

的 ＤＴＨ 的主成分ＰＡＲＯＴＩＤ＿ＶＯＬＵＭＥ 为腮腺的体

积从拟合公式可以看出腮腺的 ＤＶＨ 主成分主要取

决于与 ＰＴＶ２ 的解剖几何关系 进一步拟合误差分

析显示多元非线性拟合的误差分布集中在 plusmn５的

范围内 ５０ 例样本病例的平均拟合误差为 （ ０plusmn３1049008 ５）　 　 ３模型验证１０ 例验证病例腮腺预测剂量与原

ＩＭＲＴ 计划设计剂量对比见图 ３预测 ＤＶＨ 与计划

ＤＶＨ 间的误差分布如图 ４ 所示图 ２　 鼻咽癌样本数据中的 ＤＴＨ＿ＰＴＶ２（２Ａ）ＤＴＨ＿ＰＴＶ１（２Ｂ）ＤＴＨ＿ＰＴＶｎｘ（２Ｃ）和 ＤＶＨ 主成成分（２Ｄ）分析结果示例

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　图 ３　 １０ 例验证病例腮腺预测 ＤＶＨ 与

原计划设计 ＤＶＨ 比较 　 　

图 ４　 ５０ 例鼻咽癌患者模型预测与计划设计 ＤＶＨ 偏差分布图

　 　 从图 ３ 可看模型预测的 ＤＶＨ 剂量梯度和原计

划设计得出的 ＤＶＨ 剂量梯度高度相吻合 １０ 例验

证病例的二者平均误差为（ －０７plusmn４1049008 ４）预测的准

确度均达到 ９５以上（图 ４） １０ 例验证病例中最大偏差出现在第 ４ 例验证病例中模型预测出的

ＤＶＨ 曲线对左腮腺的限量明显优于原计划 ＤＶＨ 曲

线 为了探讨模型是否能有效检测计划的质量我们参考模型的预测结果对第 ４ 例病例的治疗计划

在 ＴＰＳ 上重新进行优化得出的结果见图 ５ 可以

看到重新优化后的腮腺剂量明显降低更接近模型

预测剂量同时靶区的剂量覆盖和其他 ＯＡＲ 的剂量

分布并未受到影响

讨　 　 论

　 　 本研究运用医学数据分析的方法利用已知疗

效的鼻咽癌 ＩＭＲＴ 计划通过 ＤＴＨ 方法将复杂三维

解剖结构关系映射到简单的一维距离mdash体积平面图

上建立腮腺剂量预测模型用先验信息指导新计图 ５　 鼻咽癌患者重新优化后的 ＤＶＨ 曲线示例（５Ａ 为左腮腺１Ｂ为靶区和其他 ＯＡＲ）

划设计排除了部分计划设计者由于经验欠缺可能

导致的计划质量差异有助于保护腮腺免受不合理

照射美国华盛顿大学 Ｗｕ 等［５］ 提出了一种基于器官

重叠体积分布图的信息检索法来预测 ＯＡＲ 剂量分

布即从一个治疗计划数据库中寻找和当前患者 Ａ具有相似解剖结构的已治疗患者 Ｂ然后以患者 Ｂ的治疗计划为参考生成患者 Ａ 的计划初始目标函

数并进行优化 由于人体解剖结构十分复杂个体

间结构信息千变万化很难找到高度一致的匹配从而影响预测结果 本研究通过数据建模对临床先

验经验进行总结提炼相对于信息检索方法建模

的方法更精确运行速度也更快具有更广泛的适用

性在 ＩＭＲＴ 中ＯＡＲ 的受量与其距肿瘤靶区的距

离密切相关 准确描述这种关系对保证建模精度尤

为重要 Ａｐｐｅｎｚｏｌｌｅｒ 等［８］采用了以靶区中心为出发

点在 ＴＰＳ 中从靶区边缘向外扩不同间距的方法来

确定靶区与 ＯＡＲ 体素间的距离 该方法虽然简单

易于实现但是其获取的只是某一个 ＣＴ 扫描层面靶

区表面与 ＯＡＲ 之间的最小距离并不一定是三维空

间中二者间的最小距离因此并不能完全反映 ＯＡＲ与靶区间的解剖结构关系信息 本研究通过自编软

件读取 ＴＰＳＤｉｃｏｍ ＲＴ 文件重建靶区和 ＯＡＲ 三维

空间坐标系计算腮腺内每一个体素点到靶区边缘

的空间最小距离进而生成 ＤＴＨ 曲线在解剖结构

几何关系描述中更加精确美国杜克大学 Ｚｈｕ 等［９］利用建模的方法成功预

测了前列腺癌 ＩＭＲＴ 计划中膀胱和直肠的剂量分布相对于前列腺计划鼻咽癌 ＩＭＲＴ 计划更加复杂 从

图 １ 中可以看出在鼻咽癌照射中肿瘤大体靶区亚临床照射区和淋巴照射区剂量处方均可能对腮腺的

剂量分布造成影响 因此本研究在建模时同时考

虑了腮腺与上述多个计划靶区的解剖结构关系从而使模型预测精度达到 ９５以上 需要指出的是本研究中暂未考虑腮腺与其他 ＯＡＲ 间可能的相互

影响在接下来的工作中拟进一步将各 ＯＡＲ 间的解

剖结构关系纳入模型参数中以进一步提高模型的

预测精度本研究选取我中心已有确切疗效的 ＩＭＲＴ 计划

建立预测模型虽然这些计划剂量分布均满足临床

要求但并不一定都达到了最佳的剂量分布 如验

证计划病例 ４通过计划再优化在保证其他条件无

明显变化的情况下可以进一步降低腮腺受量 由此

可见采用预测模型可以为临床提供一种较好的计

划质量评估工具有助于进一步提高 ＩＭＲＴ 计划设计

质量 同时当计划设计整体水平提高时通过不断

更新建模样本病例数据库调节模型可以使模型预

测结果更贴近最佳剂量分布 如本研究中验证病例

第 ７ 例和第 ８ 例原计划设计 ＤＶＨ 要优于模型预测

的 ＤＶＨ因此可以考虑将这两个病例纳入样本病例

库需要指出的是本研究方法具有通用性 现阶

段我们只总结了本中心鼻咽癌 ＩＭＲＴ 的经验建立了

腮腺剂量预测模型其他医院可以参考本模型也可

利用本方法建立各自独立的预测模型指导临床治

疗总之本研究提出的腮腺剂量预测模型能够有

效预测鼻咽癌 ＩＭＲＴ 计划腮腺剂量分布可作为评估

和验证治疗计划腮腺受量的质量保证工具

参　 考　 文　 献

［１］ Ｂｒａｈｍｅ Ａ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｓｔａｔｉｏｎａｒｙ ａｎｄ ｍｏｖｉｎｇ ｂｅａｍ ｒａｄｉａｔｉｏｎｔｈｅｒａｐｙ ｔｅｃｈｎｉｑｕｅｓ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ１９８８１２ （ ２）１２９１４０ＤＯＩ１０１０１６ ０１６７８１４０（８８）９０１６７３

［２］ Ｗｉｌｌｉａｍｓ ＭＪ Ｂａｉｌｅｙ ＭＪ Ｆｏｒｓｔｎｅｒ Ｄ ｅｔ ａｌ Ｍｕｌｔｉｃｅｎｔｒｅ ｑｕａｌｉｔｙａｓｓｕｒａｎｃｅ ｏｆ ｉｎｔｅｎｓｉｔｙｍｏｄｕｌａｔｅｄ ｒａｄｉａｔｉｏｎ ｔｈｅｒａｐｙ ｐｌａｎｓａ ｐｒｅｃｕｒｓｏｒｔｏ ｃｌｉｎｉｃａｌ ｔｒｉａｌｓ ［Ｊ］ Ａｕｓｔｒａｌ Ｒａｄｉｏｌ２００７５１（５）４７２４７９ＤＯＩ１０１１１１ ｊ１４４０１６７３1049008 ２００７1049008 ０１８７３ｘ

［３］ Ｂｏｈｓｕｎｇ ＪＧｉｌｌｉｓ ＳＡｒｒａｎｓ Ｒｅｔ ａｌ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎｎｉｎｇmdashａｃｏｍｐａｒａｔｉｖｅ ｉｎｔｅｒｓｙｓｔｅｍ ａｎｄ ｉｎｔｅｒｃｅｎｔｒｅ ｐｌａｎｎｉｎｇ ｅｘｅｒｃｉｓｅ ｏｆ ｔｈｅＥＳＴＲＯ ＱＵＡＳＩＭＯＤＯ ｇｒｏｕｐ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ２００５７６（３）３５４３６１ＤＯＩ１０１０１６ ｊｒａｄｏｎｃ２００５０８００３

［４］ Ｍｏｏｒｅ ＫＬ Ｂｒａｍｅ ＲＳ Ｌｏｗ ＤＡ ｅｔ ａｌ Ｅｘｐｅｒｉｅｎｃｅｂａｓｅｄ ｑｕａｌｉｔｙｃｏｎｔｒｏｌ ｏｆ ｃｌｉｎｉｃａｌ ｉｎｔｅｎｓｉｔｙ ｍｏｄｕｌａｔｅｄ ｒａｄｉｏｔｈｅｒａｐｙ ｐｌａｎｎｉｎｇ ［Ｊ］ ＩｎｔＪ Ｒａｄｉａｔ Ｏｎｃｏｌ Ｂｉｏｌ Ｐｈｙｓ２０１１８１（２）５４５５５１ＤＯＩ１０１０１６ ｊｉｊｒｏｂｐ２０１０１１０３０

［５］ Ｗｕ ＢＢＲｉｃｃｈｅｔｔｉ ＦＳａｎｇｕｉｎｅｔｉ Ｇ ｅｔ ａｌ Ｐａｔｉｅｎｔ ｇｅｏｍｅｔｒｙｄｒｉｖｅｎｉｎｆｏｒｍａｔｉｏｎ ｒｅｔｒｉｅｖａｌ ｆｏｒ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎ ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２００９３６（１２）５４９７５５０５ＤＯＩ１０１１１８ １３２５３４６４

［６］ 洗超贵樊卫吴少雄等鼻咽癌患者放射治疗的腮腺功能损伤分析 ［Ｊ］ 癌症１９９９１８ （ ２）１８２１８４ ＤＯＩ１０ ３９６９ ｊ ｉｓｓｎ１０００４６７Ｘ１９９９０２０２１Ｘｉａｎ ＣＨＧＦａｎ ＷＷｕ ＳＨＸｅｔ ａｌ Ａｎａｌｙｓｅ ｒａｄｉａｔｉｏｎ ｄａｍａｇｅ ｔｏ ｔｈｅｐａｒｏｔｉｄ ｇｌａｎｄ ｆｕｎｃｔｉｏｎ ｏｆ ｐａｔｉｅｎｔｓ ｓｕｆｆｅｒ ｎａｓｏｐｈａｒｙｎｇｅａｌ ｃａｒｃｉｎｏｍａ（ＮＰＣ）［Ｊ］ Ｃｈｉｎ Ｊ Ｃａｎｃｅｒ１９９９１８（２）１８２１８４ＤＯＩ１０３９６９ ｊｉｓｓｎ１０００４６７Ｘ１９９９０２０２１

［７］ Ｐｒｉｃｅ ＡＬ Ｐａｔｔｅｒｓｏｎ ＮＪ Ｐｌｅｎｇｅ ＲＭ ｅｔ ａｌ Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ ｃｏｒｒｅｃｔｓ ｆｏｒ ｓｔｒａｔｉｆｉｃａｔｉｏｎ ｉｎ ｇｅｎｏｍｅｗｉｄｅ ａｓｓｏｃｉａｔｉｏｎ ｓｔｕｄｉｅｓ［Ｊ］ Ｎａｔ Ｇｅｎｅｔ２００６３８（８）９０４９０９ＤＯＩ１０１０３８ ｎｇ１８４７

［８］ Ａｐｐｅｎｚｏｌｌｅｒ ＬＭＭｉｃｈａｌｓｋｉ ＪＭＴｈｏｒｓｔａｄ ＷＬｅｔ ａｌ Ｐｒｅｄｉｃｔｉｎｇ ｄｏｓｅｖｏｌｕｍｅ ｈｉｓｔｏｇｒａｍｓ ｆｏｒ ｏｒｇａｎｓａｔｒｉｓｋ ｉｎ ＩＭＲＴ ｐｌａｎｎｉｎｇ ［Ｊ］ ＭｅｄＰｈｙｓ２０１２３９（１２）７４４６７４６１ＤＯＩ１０１１１８ １４７６１８６４

［９］ Ｚｈｕ ＸＦＧｅ ＹＲＬｉ ＴＲｅｔ ａｌ Ａ ｐｌａｎｎｉｎｇ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｔｏｏｌ ｆｏｒｐｒｏｓｔａｔｅ ａｄａｐｔｉｖｅ ＩＭＲＴ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２０１１３８（２）７１９７２６ＤＯＩ１０１１１８ １３５３９７４９

（收稿日期２０１５０６１１）

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　　

　 　 　 　 　 　 　 　 　 　 　 　 　 　 　　　

　　

　　

　　

　　

　　

　 　　　　　　　　　　　　　　　　

　　

　　

　　

　　

　　

　　图 ３　 １０ 例验证病例腮腺预测 ＤＶＨ 与

原计划设计 ＤＶＨ 比较 　 　

图 ４　 ５０ 例鼻咽癌患者模型预测与计划设计 ＤＶＨ 偏差分布图

　 　 从图 ３ 可看模型预测的 ＤＶＨ 剂量梯度和原计

划设计得出的 ＤＶＨ 剂量梯度高度相吻合 １０ 例验

证病例的二者平均误差为（ －０７plusmn４1049008 ４）预测的准

确度均达到 ９５以上（图 ４） １０ 例验证病例中最大偏差出现在第 ４ 例验证病例中模型预测出的

ＤＶＨ 曲线对左腮腺的限量明显优于原计划 ＤＶＨ 曲

线 为了探讨模型是否能有效检测计划的质量我们参考模型的预测结果对第 ４ 例病例的治疗计划

在 ＴＰＳ 上重新进行优化得出的结果见图 ５ 可以

看到重新优化后的腮腺剂量明显降低更接近模型

预测剂量同时靶区的剂量覆盖和其他 ＯＡＲ 的剂量

分布并未受到影响

讨　 　 论

　 　 本研究运用医学数据分析的方法利用已知疗

效的鼻咽癌 ＩＭＲＴ 计划通过 ＤＴＨ 方法将复杂三维

解剖结构关系映射到简单的一维距离mdash体积平面图

上建立腮腺剂量预测模型用先验信息指导新计图 ５　 鼻咽癌患者重新优化后的 ＤＶＨ 曲线示例（５Ａ 为左腮腺１Ｂ为靶区和其他 ＯＡＲ）

划设计排除了部分计划设计者由于经验欠缺可能

导致的计划质量差异有助于保护腮腺免受不合理

照射美国华盛顿大学 Ｗｕ 等［５］ 提出了一种基于器官

重叠体积分布图的信息检索法来预测 ＯＡＲ 剂量分

布即从一个治疗计划数据库中寻找和当前患者 Ａ具有相似解剖结构的已治疗患者 Ｂ然后以患者 Ｂ的治疗计划为参考生成患者 Ａ 的计划初始目标函

数并进行优化 由于人体解剖结构十分复杂个体

间结构信息千变万化很难找到高度一致的匹配从而影响预测结果 本研究通过数据建模对临床先

验经验进行总结提炼相对于信息检索方法建模

的方法更精确运行速度也更快具有更广泛的适用

性在 ＩＭＲＴ 中ＯＡＲ 的受量与其距肿瘤靶区的距

离密切相关 准确描述这种关系对保证建模精度尤

为重要 Ａｐｐｅｎｚｏｌｌｅｒ 等［８］采用了以靶区中心为出发

点在 ＴＰＳ 中从靶区边缘向外扩不同间距的方法来

确定靶区与 ＯＡＲ 体素间的距离 该方法虽然简单

易于实现但是其获取的只是某一个 ＣＴ 扫描层面靶

区表面与 ＯＡＲ 之间的最小距离并不一定是三维空

间中二者间的最小距离因此并不能完全反映 ＯＡＲ与靶区间的解剖结构关系信息 本研究通过自编软

件读取 ＴＰＳＤｉｃｏｍ ＲＴ 文件重建靶区和 ＯＡＲ 三维

空间坐标系计算腮腺内每一个体素点到靶区边缘

的空间最小距离进而生成 ＤＴＨ 曲线在解剖结构

几何关系描述中更加精确美国杜克大学 Ｚｈｕ 等［９］利用建模的方法成功预

测了前列腺癌 ＩＭＲＴ 计划中膀胱和直肠的剂量分布相对于前列腺计划鼻咽癌 ＩＭＲＴ 计划更加复杂 从

图 １ 中可以看出在鼻咽癌照射中肿瘤大体靶区亚临床照射区和淋巴照射区剂量处方均可能对腮腺的

剂量分布造成影响 因此本研究在建模时同时考

虑了腮腺与上述多个计划靶区的解剖结构关系从而使模型预测精度达到 ９５以上 需要指出的是本研究中暂未考虑腮腺与其他 ＯＡＲ 间可能的相互

影响在接下来的工作中拟进一步将各 ＯＡＲ 间的解

剖结构关系纳入模型参数中以进一步提高模型的

预测精度本研究选取我中心已有确切疗效的 ＩＭＲＴ 计划

建立预测模型虽然这些计划剂量分布均满足临床

要求但并不一定都达到了最佳的剂量分布 如验

证计划病例 ４通过计划再优化在保证其他条件无

明显变化的情况下可以进一步降低腮腺受量 由此

可见采用预测模型可以为临床提供一种较好的计

划质量评估工具有助于进一步提高 ＩＭＲＴ 计划设计

质量 同时当计划设计整体水平提高时通过不断

更新建模样本病例数据库调节模型可以使模型预

测结果更贴近最佳剂量分布 如本研究中验证病例

第 ７ 例和第 ８ 例原计划设计 ＤＶＨ 要优于模型预测

的 ＤＶＨ因此可以考虑将这两个病例纳入样本病例

库需要指出的是本研究方法具有通用性 现阶

段我们只总结了本中心鼻咽癌 ＩＭＲＴ 的经验建立了

腮腺剂量预测模型其他医院可以参考本模型也可

利用本方法建立各自独立的预测模型指导临床治

疗总之本研究提出的腮腺剂量预测模型能够有

效预测鼻咽癌 ＩＭＲＴ 计划腮腺剂量分布可作为评估

和验证治疗计划腮腺受量的质量保证工具

参　 考　 文　 献

［１］ Ｂｒａｈｍｅ Ａ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｓｔａｔｉｏｎａｒｙ ａｎｄ ｍｏｖｉｎｇ ｂｅａｍ ｒａｄｉａｔｉｏｎｔｈｅｒａｐｙ ｔｅｃｈｎｉｑｕｅｓ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ１９８８１２ （ ２）１２９１４０ＤＯＩ１０１０１６ ０１６７８１４０（８８）９０１６７３

［２］ Ｗｉｌｌｉａｍｓ ＭＪ Ｂａｉｌｅｙ ＭＪ Ｆｏｒｓｔｎｅｒ Ｄ ｅｔ ａｌ Ｍｕｌｔｉｃｅｎｔｒｅ ｑｕａｌｉｔｙａｓｓｕｒａｎｃｅ ｏｆ ｉｎｔｅｎｓｉｔｙｍｏｄｕｌａｔｅｄ ｒａｄｉａｔｉｏｎ ｔｈｅｒａｐｙ ｐｌａｎｓａ ｐｒｅｃｕｒｓｏｒｔｏ ｃｌｉｎｉｃａｌ ｔｒｉａｌｓ ［Ｊ］ Ａｕｓｔｒａｌ Ｒａｄｉｏｌ２００７５１（５）４７２４７９ＤＯＩ１０１１１１ ｊ１４４０１６７３1049008 ２００７1049008 ０１８７３ｘ

［３］ Ｂｏｈｓｕｎｇ ＪＧｉｌｌｉｓ ＳＡｒｒａｎｓ Ｒｅｔ ａｌ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎｎｉｎｇmdashａｃｏｍｐａｒａｔｉｖｅ ｉｎｔｅｒｓｙｓｔｅｍ ａｎｄ ｉｎｔｅｒｃｅｎｔｒｅ ｐｌａｎｎｉｎｇ ｅｘｅｒｃｉｓｅ ｏｆ ｔｈｅＥＳＴＲＯ ＱＵＡＳＩＭＯＤＯ ｇｒｏｕｐ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ２００５７６（３）３５４３６１ＤＯＩ１０１０１６ ｊｒａｄｏｎｃ２００５０８００３

［４］ Ｍｏｏｒｅ ＫＬ Ｂｒａｍｅ ＲＳ Ｌｏｗ ＤＡ ｅｔ ａｌ Ｅｘｐｅｒｉｅｎｃｅｂａｓｅｄ ｑｕａｌｉｔｙｃｏｎｔｒｏｌ ｏｆ ｃｌｉｎｉｃａｌ ｉｎｔｅｎｓｉｔｙ ｍｏｄｕｌａｔｅｄ ｒａｄｉｏｔｈｅｒａｐｙ ｐｌａｎｎｉｎｇ ［Ｊ］ ＩｎｔＪ Ｒａｄｉａｔ Ｏｎｃｏｌ Ｂｉｏｌ Ｐｈｙｓ２０１１８１（２）５４５５５１ＤＯＩ１０１０１６ ｊｉｊｒｏｂｐ２０１０１１０３０

［５］ Ｗｕ ＢＢＲｉｃｃｈｅｔｔｉ ＦＳａｎｇｕｉｎｅｔｉ Ｇ ｅｔ ａｌ Ｐａｔｉｅｎｔ ｇｅｏｍｅｔｒｙｄｒｉｖｅｎｉｎｆｏｒｍａｔｉｏｎ ｒｅｔｒｉｅｖａｌ ｆｏｒ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎ ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２００９３６（１２）５４９７５５０５ＤＯＩ１０１１１８ １３２５３４６４

［６］ 洗超贵樊卫吴少雄等鼻咽癌患者放射治疗的腮腺功能损伤分析 ［Ｊ］ 癌症１９９９１８ （ ２）１８２１８４ ＤＯＩ１０ ３９６９ ｊ ｉｓｓｎ１０００４６７Ｘ１９９９０２０２１Ｘｉａｎ ＣＨＧＦａｎ ＷＷｕ ＳＨＸｅｔ ａｌ Ａｎａｌｙｓｅ ｒａｄｉａｔｉｏｎ ｄａｍａｇｅ ｔｏ ｔｈｅｐａｒｏｔｉｄ ｇｌａｎｄ ｆｕｎｃｔｉｏｎ ｏｆ ｐａｔｉｅｎｔｓ ｓｕｆｆｅｒ ｎａｓｏｐｈａｒｙｎｇｅａｌ ｃａｒｃｉｎｏｍａ（ＮＰＣ）［Ｊ］ Ｃｈｉｎ Ｊ Ｃａｎｃｅｒ１９９９１８（２）１８２１８４ＤＯＩ１０３９６９ ｊｉｓｓｎ１０００４６７Ｘ１９９９０２０２１

［７］ Ｐｒｉｃｅ ＡＬ Ｐａｔｔｅｒｓｏｎ ＮＪ Ｐｌｅｎｇｅ ＲＭ ｅｔ ａｌ Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ ｃｏｒｒｅｃｔｓ ｆｏｒ ｓｔｒａｔｉｆｉｃａｔｉｏｎ ｉｎ ｇｅｎｏｍｅｗｉｄｅ ａｓｓｏｃｉａｔｉｏｎ ｓｔｕｄｉｅｓ［Ｊ］ Ｎａｔ Ｇｅｎｅｔ２００６３８（８）９０４９０９ＤＯＩ１０１０３８ ｎｇ１８４７

［８］ Ａｐｐｅｎｚｏｌｌｅｒ ＬＭＭｉｃｈａｌｓｋｉ ＪＭＴｈｏｒｓｔａｄ ＷＬｅｔ ａｌ Ｐｒｅｄｉｃｔｉｎｇ ｄｏｓｅｖｏｌｕｍｅ ｈｉｓｔｏｇｒａｍｓ ｆｏｒ ｏｒｇａｎｓａｔｒｉｓｋ ｉｎ ＩＭＲＴ ｐｌａｎｎｉｎｇ ［Ｊ］ ＭｅｄＰｈｙｓ２０１２３９（１２）７４４６７４６１ＤＯＩ１０１１１８ １４７６１８６４

［９］ Ｚｈｕ ＸＦＧｅ ＹＲＬｉ ＴＲｅｔ ａｌ Ａ ｐｌａｎｎｉｎｇ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｔｏｏｌ ｆｏｒｐｒｏｓｔａｔｅ ａｄａｐｔｉｖｅ ＩＭＲＴ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２０１１３８（２）７１９７２６ＤＯＩ１０１１１８ １３５３９７４９

（收稿日期２０１５０６１１）

划设计排除了部分计划设计者由于经验欠缺可能

导致的计划质量差异有助于保护腮腺免受不合理

照射美国华盛顿大学 Ｗｕ 等［５］ 提出了一种基于器官

重叠体积分布图的信息检索法来预测 ＯＡＲ 剂量分

布即从一个治疗计划数据库中寻找和当前患者 Ａ具有相似解剖结构的已治疗患者 Ｂ然后以患者 Ｂ的治疗计划为参考生成患者 Ａ 的计划初始目标函

数并进行优化 由于人体解剖结构十分复杂个体

间结构信息千变万化很难找到高度一致的匹配从而影响预测结果 本研究通过数据建模对临床先

验经验进行总结提炼相对于信息检索方法建模

的方法更精确运行速度也更快具有更广泛的适用

性在 ＩＭＲＴ 中ＯＡＲ 的受量与其距肿瘤靶区的距

离密切相关 准确描述这种关系对保证建模精度尤

为重要 Ａｐｐｅｎｚｏｌｌｅｒ 等［８］采用了以靶区中心为出发

点在 ＴＰＳ 中从靶区边缘向外扩不同间距的方法来

确定靶区与 ＯＡＲ 体素间的距离 该方法虽然简单

易于实现但是其获取的只是某一个 ＣＴ 扫描层面靶

区表面与 ＯＡＲ 之间的最小距离并不一定是三维空

间中二者间的最小距离因此并不能完全反映 ＯＡＲ与靶区间的解剖结构关系信息 本研究通过自编软

件读取 ＴＰＳＤｉｃｏｍ ＲＴ 文件重建靶区和 ＯＡＲ 三维

空间坐标系计算腮腺内每一个体素点到靶区边缘

的空间最小距离进而生成 ＤＴＨ 曲线在解剖结构

几何关系描述中更加精确美国杜克大学 Ｚｈｕ 等［９］利用建模的方法成功预

测了前列腺癌 ＩＭＲＴ 计划中膀胱和直肠的剂量分布相对于前列腺计划鼻咽癌 ＩＭＲＴ 计划更加复杂 从

图 １ 中可以看出在鼻咽癌照射中肿瘤大体靶区亚临床照射区和淋巴照射区剂量处方均可能对腮腺的

剂量分布造成影响 因此本研究在建模时同时考

虑了腮腺与上述多个计划靶区的解剖结构关系从而使模型预测精度达到 ９５以上 需要指出的是本研究中暂未考虑腮腺与其他 ＯＡＲ 间可能的相互

影响在接下来的工作中拟进一步将各 ＯＡＲ 间的解

剖结构关系纳入模型参数中以进一步提高模型的

预测精度本研究选取我中心已有确切疗效的 ＩＭＲＴ 计划

建立预测模型虽然这些计划剂量分布均满足临床

要求但并不一定都达到了最佳的剂量分布 如验

证计划病例 ４通过计划再优化在保证其他条件无

明显变化的情况下可以进一步降低腮腺受量 由此

可见采用预测模型可以为临床提供一种较好的计

划质量评估工具有助于进一步提高 ＩＭＲＴ 计划设计

质量 同时当计划设计整体水平提高时通过不断

更新建模样本病例数据库调节模型可以使模型预

测结果更贴近最佳剂量分布 如本研究中验证病例

第 ７ 例和第 ８ 例原计划设计 ＤＶＨ 要优于模型预测

的 ＤＶＨ因此可以考虑将这两个病例纳入样本病例

库需要指出的是本研究方法具有通用性 现阶

段我们只总结了本中心鼻咽癌 ＩＭＲＴ 的经验建立了

腮腺剂量预测模型其他医院可以参考本模型也可

利用本方法建立各自独立的预测模型指导临床治

疗总之本研究提出的腮腺剂量预测模型能够有

效预测鼻咽癌 ＩＭＲＴ 计划腮腺剂量分布可作为评估

和验证治疗计划腮腺受量的质量保证工具

参　 考　 文　 献

［１］ Ｂｒａｈｍｅ Ａ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｓｔａｔｉｏｎａｒｙ ａｎｄ ｍｏｖｉｎｇ ｂｅａｍ ｒａｄｉａｔｉｏｎｔｈｅｒａｐｙ ｔｅｃｈｎｉｑｕｅｓ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ１９８８１２ （ ２）１２９１４０ＤＯＩ１０１０１６ ０１６７８１４０（８８）９０１６７３

［２］ Ｗｉｌｌｉａｍｓ ＭＪ Ｂａｉｌｅｙ ＭＪ Ｆｏｒｓｔｎｅｒ Ｄ ｅｔ ａｌ Ｍｕｌｔｉｃｅｎｔｒｅ ｑｕａｌｉｔｙａｓｓｕｒａｎｃｅ ｏｆ ｉｎｔｅｎｓｉｔｙｍｏｄｕｌａｔｅｄ ｒａｄｉａｔｉｏｎ ｔｈｅｒａｐｙ ｐｌａｎｓａ ｐｒｅｃｕｒｓｏｒｔｏ ｃｌｉｎｉｃａｌ ｔｒｉａｌｓ ［Ｊ］ Ａｕｓｔｒａｌ Ｒａｄｉｏｌ２００７５１（５）４７２４７９ＤＯＩ１０１１１１ ｊ１４４０１６７３1049008 ２００７1049008 ０１８７３ｘ

［３］ Ｂｏｈｓｕｎｇ ＪＧｉｌｌｉｓ ＳＡｒｒａｎｓ Ｒｅｔ ａｌ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎｎｉｎｇmdashａｃｏｍｐａｒａｔｉｖｅ ｉｎｔｅｒｓｙｓｔｅｍ ａｎｄ ｉｎｔｅｒｃｅｎｔｒｅ ｐｌａｎｎｉｎｇ ｅｘｅｒｃｉｓｅ ｏｆ ｔｈｅＥＳＴＲＯ ＱＵＡＳＩＭＯＤＯ ｇｒｏｕｐ ［Ｊ］ Ｒａｄｉｏｔｈｅｒ Ｏｎｃｏｌ２００５７６（３）３５４３６１ＤＯＩ１０１０１６ ｊｒａｄｏｎｃ２００５０８００３

［４］ Ｍｏｏｒｅ ＫＬ Ｂｒａｍｅ ＲＳ Ｌｏｗ ＤＡ ｅｔ ａｌ Ｅｘｐｅｒｉｅｎｃｅｂａｓｅｄ ｑｕａｌｉｔｙｃｏｎｔｒｏｌ ｏｆ ｃｌｉｎｉｃａｌ ｉｎｔｅｎｓｉｔｙ ｍｏｄｕｌａｔｅｄ ｒａｄｉｏｔｈｅｒａｐｙ ｐｌａｎｎｉｎｇ ［Ｊ］ ＩｎｔＪ Ｒａｄｉａｔ Ｏｎｃｏｌ Ｂｉｏｌ Ｐｈｙｓ２０１１８１（２）５４５５５１ＤＯＩ１０１０１６ ｊｉｊｒｏｂｐ２０１０１１０３０

［５］ Ｗｕ ＢＢＲｉｃｃｈｅｔｔｉ ＦＳａｎｇｕｉｎｅｔｉ Ｇ ｅｔ ａｌ Ｐａｔｉｅｎｔ ｇｅｏｍｅｔｒｙｄｒｉｖｅｎｉｎｆｏｒｍａｔｉｏｎ ｒｅｔｒｉｅｖａｌ ｆｏｒ ＩＭＲＴ ｔｒｅａｔｍｅｎｔ ｐｌａｎ ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２００９３６（１２）５４９７５５０５ＤＯＩ１０１１１８ １３２５３４６４

［６］ 洗超贵樊卫吴少雄等鼻咽癌患者放射治疗的腮腺功能损伤分析 ［Ｊ］ 癌症１９９９１８ （ ２）１８２１８４ ＤＯＩ１０ ３９６９ ｊ ｉｓｓｎ１０００４６７Ｘ１９９９０２０２１Ｘｉａｎ ＣＨＧＦａｎ ＷＷｕ ＳＨＸｅｔ ａｌ Ａｎａｌｙｓｅ ｒａｄｉａｔｉｏｎ ｄａｍａｇｅ ｔｏ ｔｈｅｐａｒｏｔｉｄ ｇｌａｎｄ ｆｕｎｃｔｉｏｎ ｏｆ ｐａｔｉｅｎｔｓ ｓｕｆｆｅｒ ｎａｓｏｐｈａｒｙｎｇｅａｌ ｃａｒｃｉｎｏｍａ（ＮＰＣ）［Ｊ］ Ｃｈｉｎ Ｊ Ｃａｎｃｅｒ１９９９１８（２）１８２１８４ＤＯＩ１０３９６９ ｊｉｓｓｎ１０００４６７Ｘ１９９９０２０２１

［７］ Ｐｒｉｃｅ ＡＬ Ｐａｔｔｅｒｓｏｎ ＮＪ Ｐｌｅｎｇｅ ＲＭ ｅｔ ａｌ Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ ｃｏｒｒｅｃｔｓ ｆｏｒ ｓｔｒａｔｉｆｉｃａｔｉｏｎ ｉｎ ｇｅｎｏｍｅｗｉｄｅ ａｓｓｏｃｉａｔｉｏｎ ｓｔｕｄｉｅｓ［Ｊ］ Ｎａｔ Ｇｅｎｅｔ２００６３８（８）９０４９０９ＤＯＩ１０１０３８ ｎｇ１８４７

［８］ Ａｐｐｅｎｚｏｌｌｅｒ ＬＭＭｉｃｈａｌｓｋｉ ＪＭＴｈｏｒｓｔａｄ ＷＬｅｔ ａｌ Ｐｒｅｄｉｃｔｉｎｇ ｄｏｓｅｖｏｌｕｍｅ ｈｉｓｔｏｇｒａｍｓ ｆｏｒ ｏｒｇａｎｓａｔｒｉｓｋ ｉｎ ＩＭＲＴ ｐｌａｎｎｉｎｇ ［Ｊ］ ＭｅｄＰｈｙｓ２０１２３９（１２）７４４６７４６１ＤＯＩ１０１１１８ １４７６１８６４

［９］ Ｚｈｕ ＸＦＧｅ ＹＲＬｉ ＴＲｅｔ ａｌ Ａ ｐｌａｎｎｉｎｇ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｔｏｏｌ ｆｏｒｐｒｏｓｔａｔｅ ａｄａｐｔｉｖｅ ＩＭＲＴ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ［Ｊ］ Ｍｅｄ Ｐｈｙｓ２０１１３８（２）７１９７２６ＤＯＩ１０１１１８ １３５３９７４９

（收稿日期２０１５０６１１）