基于深度联合学习的乳腺癌放射治疗剂量分布精准预测研究

本文创新性地提出JL-3DU-Net联合学习模型，通过级联网络结合距离变换与双注意力机制，显著提升乳腺癌IMRT（调强放疗）中靶区（PTV）和危及器官（OARs）的剂量分布预测精度。实验显示其ΔD95提升1.779，PSNR提高1.382 dB，为放疗计划优化提供高效初始化方案。

　　

Highlight

患者数据

本研究收集了广东省中医院307例接受调强放疗（IMRT）的乳腺癌患者数据，随机分为训练集（192例）、验证集（59例）和测试集（56例）。所有数据均经患者知情同意并匿名化处理。

结果

测试集中左右乳腺癌案例的预测剂量分布与临床分布高度吻合（图3）。轴向、矢状面和冠状面剂量图显示，中高剂量区域预测尤为精准，验证了模型在三维空间中的可靠性。

讨论

基于深度学习的知识规划（KBP）技术显著优化了放疗流程。本研究提出的JL-3DU-Net通过级联网络架构和空间距离变换数据，将PTV预测作为次级网络输入，结合双注意力机制，使ΔPCI提升0.025，SSIM提高0.017，为乳腺癌剂量预测树立新标杆。

结论

JL-3DU-Net通过联合学习机制生成的3D剂量分布图，可作为放疗计划的高精度初始化方案，大幅提升临床工作效率。

作者贡献声明

秦洋：软件构建与方法设计；苏哲：论文撰写与模型开发；朱永琪：数据采集与处理；李凤子：程序实现与实验分析；池峰：论文审阅与项目管理；金爽：模型验证与方法优化；张华：基金支持与学术指导。

利益冲突声明

?? 作者声明无任何可能影响本研究结果的财务或个人关系。

致谢

本研究受广东省自然科学基金（项目号2024A1515010523）和国家自然科学基金（项目号U21A6005、12226004）资助。