将基于肿瘤负荷的分类方法与传统的知识库引导的VMAT（虚拟调强放疗）规划方法进行比较，以应用于多发性脑转移病例

《Applied Radiation and Isotopes》：Comparing Tumor Burden-Based Classification with Traditional Methods for Knowledge-Based VMAT Planning in Multiple Brain Metastases

　　

振振·赖 | 侯金·张 | 瑞莲·谢 | 俊·袁 | 山洲·牛 | 春波·唐

• •
  创新的多维度肿瘤负担分类框架：本研究提出了一种新的方法，结合了颅内肿瘤负担的定量（病变数量）和空间（总PTV体积）维度。通过使用无监督K均值聚类和体积分层技术，我们开发了针对异质性多发性脑转移瘤群体的专门知识库驱动的VMAT（虚拟调强放疗）规划模型，超越了传统的单一指标分类方法。
• •
  高剂量体积减少的剂量学改进：与广谱模型（Model-BS）相比，两种分类模型（Model-CA和Model-V）在正常脑组织中的高剂量体积（V₂₄ Gy–V₁₂ Gy）方面实现了显著减少（p < 0.05）。其中，Model-V表现出最佳的梯度指数（GI = 5.55）和最高的符合度指数（CI = 0.924）。
• •
  互补模型的优势与临床安全性：Model-CA在目标符合度、剂量梯度衰减和器官毒性（OAR）保护之间实现了最佳平衡，尤其是对于视神经和脑干等关键结构。Model-V在剂量衰减方面最为显著，但相应的OAR剂量略高但仍处于临床可接受范围内。所有观察到的OAR剂量均符合机构规定的5次分割fSRT治疗阈值（脑干Dmax < 25 Gy，视神经Dmax < 25 Gy）。
• •
  基于知识的自动化工作流程的可行性：所有基于知识的放疗计划均通过Eclipse TPS RapidPlan模块自动生成，并由资深放射肿瘤科医生进行了验证，证实了其临床适用性。该方法提高了规划的一致性，减少了人工干预，并支持将基于肿瘤负担分类的知识库驱动的规划方法整合到多发性脑转移瘤的常规临床实践中。