置换鲁棒性：面向治疗计划的无情景情形下稳健多准则优化

放射治疗中的治疗计划本质上是一个多准则优化（MCO）问题。传统方法并未将治疗的鲁棒性作为决策问题的一部分，而是通过容差或鲁棒优化进行单独处理。本文采用近期提出的高效无情景情形（s-f）鲁棒优化方法，实现了鲁棒性在多准则优化中的集成。该方法依赖于对优化过程中预期剂量分布和均值方差的快速评估。通过预计算概率量，实现了对两种探索的MCO方法（ lexicographic ordering（ lexicographic ordering， lexicographic ordering）和Pareto前沿（Pareto Front，PF）近似求解子问题的重复求解。不同层次化排序策略用于评估方差缩减的影响，而生成包含方差缩减目标的3目标Pareto前沿，用于可视化和分析各目标之间的权衡。对100个情景（模拟 setup 误差、范围误差以及器官运动）进行鲁棒优化，分别基于3D和4DCT肺癌患者数据集进行。进行鲁棒性分析以评估和探索所有优化策略的有效性。s-f方法实现了与名义MCO相当的计算时间。两种MCO策略都突显了剂量学目标与方差缩减目标之间的相互作用。层次化排序方法揭示了优先级如何影响计划质量和鲁棒性，而Pareto前沿分析则显示了鲁棒性与器官风险（OAR）保护之间的明确权衡。报告的分析突显了计划鲁棒性与剂量学质量之间的冲突性权衡，表明稳健MCO支持更加明确和灵活的治疗计划决策过程。