面向放射治疗的自适应治疗计划的数字孪生框架
医学物理
2025-07-24 v3
摘要
开发用于放射治疗中自适应质子治疗计划的数字孪生（DT）框架，代表了个人化放射治疗的重要进步。该框架整合了基于深度学习的多图谱可变形图像配准、通过棱柱束达成CT（CBCT）获取的每日患者解剖更新，以及使用ProKnow评分系统进行知识库计划质量评估，以实现临床等效计划质量，显著缩短再优化时间。该框架基于43例前近物治疗病例的数据库，预测新患者的界面解剖变化，并预生成多个概率性治疗计划。获取每日CBCT后，可实现快速计划再优化，平均再优化时间为5.5 [2.8, 8.2]分钟，远低于临床计划的19.8 [7.9, 31.7]分钟。DT框架生成的计划质量得分为157.2 [151.6, 162.8]，优于或相当于临床计划，DIL（V100: 99.5%）和临床靶区（CTV V100: 99.8%）的剂量覆盖更优。此外，框架降低了器官风险（OAR）的剂量，实现了膀胱V20.8Gy为11.4 [7.2, 15.6] cc，直肠V23Gy为0.7 [0.3, 1.1] cc，尿道D10为90.9% [88.6%, 93.2%]，符合临床标准。通过高效应对界面解剖变化，DT框架提升了治疗精度，降低了OAR毒性，支持实时自适应放射治疗。该变革性方法不仅简化了计划流程，还改善了临床结果，为含DIL提升的前近物SBRT提供可扩展解决方案，为自适应质子治疗铺平了更广泛的应用前景。
引用
@article{arxiv.2506.14701,
title = {A Digital Twin Framework for Adaptive Treatment Planning in Radiotherapy},
author = {Chih-Wei Chang and Sri Sai Akkineni and Mingzhe Hu and Keyur Shah and Yuan Gao and Pretesh Patel and Ashesh B. Jani and Greeshma Agasthya and Jun Zhou and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2506.14701},
year = {2025}
}