基于Auto-Planning的食管癌容積旋轉調強計劃的劑量學比較

王銳濠，廖煜良，張書旭，陳宗榮，莫春槐，羅松桂，周丕校

1. 廣州醫科大學附屬腫瘤醫院 放療中心，廣東 廣州 510095；2. 廣東省第二人民醫院 設備科，廣東 廣州 510310

引言

放射治療是食管癌患者的常規治療手段之一[1]。隨著放射治療技術的不斷發展，具有劑量適形度和治療時間等優勢的容積旋轉調強放療（Volumetric Modulated Arc Therapy，VMAT）技術備受有條件的放療單位關注和應用[2-4]。然而當前仍然依靠人工經驗進行放射治療計劃設計，這種模式降低了物理師的工作效率、增加了人力操作成本[5]。此外，計劃設計者設置的條件參數不同可導致計劃結果的不同。因此，計劃設計者的經驗以及設計所花費的時間很大程度上影響著計劃設計的質量[6]。目前，已經有不少研究者研究如何降低人為因素導致的計劃質量差異和提高劑量設計的效率[7-8]。Pinnacle3 V9.10放射治療計劃系統（Treatment Planning System，TPS）新增了自動計劃模塊（Auto-Planning），可實現自動化的治療計劃設計。目前Auto-Planning已運用在宮頸癌、鼻咽癌和直腸癌等病例上，結果表明自動計劃比人工計劃好[9-11]。但自動計劃還很少應用于胸部腫瘤上，因此本研究通過比較13例食管癌患者VMAT人工計劃設計和Auto-Planning 設計的劑量學差異，探討食管癌自動VMAT計劃是否具有劑量學優勢，從而為食管癌臨床放射治療應用提供參考。

1 材料與方法

1.1 病例選擇

隨機選取本院2018年6月至2019年9月期間行同期放化療的食管癌患者作為研究對象。納入標準：① 入院KPS評分≥80分；② 無遠處轉移；③ 中上段食管鱗癌。13例患者納入研究，其中男性9例，女性4例；Ⅱ期5例、Ⅲ期8例；年齡范圍50～77歲，中位年齡64歲。本研究已獲廣州醫科大學附屬腫瘤醫院倫理審查委員會批準。

1.2 CT定位及靶區勾畫

患者頸胸熱塑體膜固定，仰臥位雙手臂上舉交叉于額前，在Philips機型CT模擬定位機下分別做自由平靜螺旋掃描和靜脈增強掃描，掃描范圍由下頜骨下緣至肝臟水平，層厚5 mm，獲得CT圖像在影像工作站進行三維重建，重建后CT斷層圖像經網絡系統傳輸至Pinnacle3 9.10 TPS。

所有患者均由科室有經驗的放療醫生根據ICRU第62號報告應用Pinnacle3 9.10計劃系統在CT影像上勾畫出腫瘤靶區（Gross Target Volume，GTV）、臨床靶區（Clinical Target Volume，CTV）和危及器官（Organ At Risk，OAR），GTV為食管原發腫瘤病灶和局部區域腫大淋巴結，CTV由GTV前后左右外擴0.5 cm，縱軸方向外擴3 cm，包括食管旁淋巴結、縱隔淋巴結引流區等。計劃腫瘤靶區（Planned GTV，PGTV）和計劃臨床靶區（Planned CTV，PCTV）由GTV和CTV在三維方向上分別外放0.5 cm得到，OAR包括脊髓、心臟和雙側肺組織等。靶區體積大小如表1所示。

表1 13例食管癌患者靶區的體積大小（±s）

表1 13例食管癌患者靶區的體積大小（±s）

靶區 長徑/cm 橫徑/cm 體積/cm3 PGTV 7.68 ± 2.94 5.07 ± 3.14 70.34 ± 53.04 PCTV 12.84 ± 2.25 8.22 ± 4.75 256.93 ± 126.64

1.3 治療計劃設計

利用Pinnacle3 9.10 TPS系統對13例食管癌患者分別設計手動VMAT（Manual-VMAT）計劃和自動VMAT（Auto-VMAT）計劃。為方便比較，兩種VMAT計劃均采用360°單弧計劃（機架從181°順時針旋轉至179°），選用Elekta Synergy S 加速器6 MV X線，搭配Agility 80對葉片的多葉光柵準直（Multi-Leaf Collimator，MLC）小機頭，葉片寬度在等中心平面投影均為0.5 cm。

Manual-VMAT計劃由本院資深物理師設計完成，首先對靶區和OAR進行外擴處理，然后物理師憑個人經驗設置目標函數及其權重，經過TPS初步劑量計算后，根據當前的劑量分布情況反復調試優化，直到靶區和OAR的劑量滿足臨床要求。而Auto-VMAT首先利用Pinnacle3 V9.10系統中自帶的Technique對靶區和OAR進行處理，對處理后的靶區和OAR進行限量后自動優化，優化過程中由系統自動生成劑量成形結構，并反復補充優化，使目標函數無限接近最優解，最終達到劑量滿足臨床要求。

處方劑量均為PGTV 60 Gy/30次、PCTV 54 Gy/30次。兩組計劃均采用相同劑量約束條件和優化參數，臨床處方劑量要求：95%處方劑量線包繞至少95%靶區體積，靶區 Dmax＜66 Gy。OAR 處方劑量要求 ：雙肺 V5＜60%、V20＜30%、V30＜20%， 脊 髓 Dmax＜45 Gy， 心 臟 V30＜40%、V40＜30%。優化權重設置：靶區（PGTV、PCTV）＞脊髓＞肺＞心臟。

1.4 計劃評估

通過劑量體積直方圖（Dose Volume Histogram，DVH）得到Manual-VMAT和Auto-VMAT計劃的靶區及OAR受照劑量-體積關系，然后兩兩進行對比分析。

（1）靶區。劑量分析指標為PTV的平均劑量（Dmean）、2%、95%、98%靶區體積所受到的照射劑量（D2%、D95%、D98%）、適形度指數（Conformity Index，CI）、均勻性指數（Homogeneity Index，HI）等指標，CI和HI的計算方法如公式(1)～(2)。

其中，Vt.ref為參考等劑量線面所包繞的靶區體積，Vt為靶區體積，Vref為參考等劑量線面所包繞的所有區域的體積，CI值越大，說明劑量線適形度越好，而D2%和D98%分別是2%、98%的靶區體積接受的吸收劑量，DRx是指計劃設計設定的處方劑量，HI值越小，說明劑量分布越均勻。

（2）OAR。劑量分析指標為全肺分別受到不大于5、10、20和 30 Gy劑量照射的體積（V5、V10、V20和 V30），心臟的V30、V40和脊髓的最大點劑量（Dmax）等。

1.5 統計學分析

各項評估指標的均數均采用SPSS 19.0統計軟件先進行正態分布分析，若滿足正態分布，則行配對t檢驗，若不滿足正態分布，則行Wilcoxon秩和檢驗。P＜0.05為差異有統計學意義。

2 結果

2.1 靶區劑量分布比較

兩種計劃的靶區劑量分布均能滿足臨床劑量要求，但Auto-VMAT計劃在劑量分布均勻性和靶區覆蓋度方面均略優于Munual-VMAT計劃（圖1）。對于PGTV來說，與Manual-VMAT計劃比較，Auto-VMAT計劃中的Dmean、D2%、D98%和 HI分別平均降低1.3%、1.8%、0.3% 和16.7%，差異有統計學意義（P＜0.05）；而對于PCTV來說，與Manual-VMAT計劃相比，Auto-VMAT計劃中的Dmean、D2%、D95%和HI分別平均降低0.9%、1.6%、0.8%和6.7%，差異有統計學意義（P＜0.05）；但CI增加了11.5%，差異也有統計學意義（表2）。

圖1 1例食管癌患者的同一橫截面CT示例

表2 兩種VMAT計劃靶區劑量分布比較（±s）

表2 兩種VMAT計劃靶區劑量分布比較（±s）

靶區 參數 Manual-VMAT Auto-VMAT t值 P 值PGTV Dmean/Gy 62.21 ± 0.65 61.41±0.25-3.18 ＜ 0.05 D2%/Gy 63.95±0.97 62.77±0.74 6.836 ＜ 0.05 D95%/Gy 60.59±0.74 60.34±0.37 1.724 ＞ 0.05 D98%/Gy 60.25±0.84 60.04±0.50-2.06 ＜ 0.05 CI 0.37±0.17 0.39±0.18 -1.23 ＞ 0.05 HI 0.06±0.02 0.05±0.02 6.73 ＜ 0.05 Dmean/Gy 59.27±1.31 58.72±1.33-2.97 ＜ 0.05 D2%/Gy 62.94±1.92 61.92±1.58-3.18 ＜ 0.05 D9%5/Gy 55.48±0.66 55.00±0.38-2.13 ＜ 0.05 D9%8/Gy 54.69±0.74 54.48±0.37 0.98 ＞ 0.05 CI 0.52±0.11 0.58±0.09 -3.84 ＜ 0.05 HI 0.15±0.04 0.14±0.02 -2.20 ＜ 0.05 PCTV

2.2 OAR劑量分布比較

從肺受量情況來看，與Manual-VMAT計劃比較，Auto-VMAT計劃中雙肺的Dmean降低3.1%，V20、V30分別降低9.0%、19.1%（P＜0.05）；但雙肺低劑量區V5、V10分別增加了5.7%、4.8%，但差異不具有統計學意義，僅V5的劑量差異具有統計學意義（P＜0.05）。與Manual-VMAT計劃比較，Auto-VMAT計劃的心臟Dmean、V30和V40分別平均降低12.25%、23.0%和24.0%，Auto-VMAT計劃中心臟、脊髓的劑量學指標均比Manual-VMAT計劃中的明顯偏低，劑量差異均有統計學意義（P＜0.05）（圖2、表3）。

圖2 Manual-VMAT計劃（實線）與Auto-VMAT計劃（虛線）的OAR DVH比較

表3 兩種VMAT計劃OAR劑量分布比較（±s）

表3 兩種VMAT計劃OAR劑量分布比較（±s）

OAR 參數 Manual-VMAT Auto-VMAT t值 P值肺Dmean/Gy 12.57±1.82 12.18±2.13 1.59 ＞ 0.05 V5/% 54.09±5.10 57.18±7.78 -2.20 ＜ 0.05 V10/% 41.16±4.92 43.13±5.00 -1.42 ＞ 0.05 V20/% 24.13±3.74 21.97±5.78 -2.06 ＜ 0.05 V30/% 13.01±4.21 10.52±5.14 5.49 ＜ 0.05 Dmean/Gy 16.25±9.89 14.26±9.36 3.89 ＜ 0.05 V30/% 22.89±15.83 17.62±15.00 2.89 ＜ 0.05 V40/% 12.89±8.99 9.80±9.58 -2.35 ＜ 0.05脊椎 Dmax/Gy 40.93±1.78 39.46±2.41 2.35 ＜ 0.05心

2.3 計劃優化時間與機器跳數比較

計劃平均優化時間包括前期各種參數的設置，以及優化到滿足臨床處方要求所需的全部時間。本研究入組病例中，自動計劃的平均優化時間為50 min，而人工計劃受到靶區與OAR位置關系以及物理師經驗等因素的影響，優化時間最短約55 min，最長約100 min，平均優化時間約85 min。在機器總跳數方面，Manual-VMAT計劃和Auto-VMAT計劃的平均機器總跳數分別為（381.8±66.7）MU和（422.3±60.7）MU，自動計劃總跳數增加了9.6%（P＜0.05）。

3 討論與總結

放療計劃的質量很大程度上取決于物理師在TPS上的優化技巧和優化時間。調強計劃設計的本質就是根據目標函數和權重，TPS不斷對MLC進行調制，優化子野形狀，直到在一定范圍內得到接近最優解的劑量分布，這是一個逆向尋優的過程[12]。因此，在Manual-Planning的優化過程中，計劃設計者在尋找靶區和OAR最合理的劑量體積限值和優化權重方面需要花費大量時間。然而，物理師的計劃設計思維和經驗存在差異，且TPS優化結果通常具有大量的優化解，導致不同計劃設計者的計劃無法確定是否為臨床的最優計劃[13]。Auto-Planning可自動模擬經驗豐富劑量師、物理師的計劃設計思維，根據初始給定的射線束和處方參數，自動創建并添加額外的劑量適形輔助輪廓，修正劑量冷點、熱點，并通過反復調整IMRT/VMAT目標優化函數和權重，對OAR和靶區的重疊區域進行自動補償，從而實現最大化靶區劑量覆蓋和最小化OAR劑量[14]。

本研究結果顯示，兩種食管癌VMAT計劃的靶區劑量覆蓋均能滿足臨床處方要求，與Manual-VMAT計劃相比，Auto-VMAT計劃不僅沒有降低靶區劑量均勻性和適形度，而且靶區的受照劑量評估指標均整體偏低，表明自動計劃更具有優勢。此外，本研究結果還顯示，Auto-VMAT計劃明顯減少了肺高劑量區（V20、V30）、脊髓、心臟的照射劑量，表明自動VMAT計劃整體上降低了OAR的平均劑量，這與李凱旋等[11]的研究結果相似；這也說明在人工計劃的設計過程中，計劃設計者由于經驗和時間有限，不能保證將每一個OAR限制到最低劑量，這或許是人工計劃質量低于自動計劃的重要原因。而自動計劃最大的優勢是在保證靶區覆蓋率的前提下盡可能地收緊對所有OAR劑量的限制，同時減小各個OAR限量在相似靶區之間的變化，在有限的時間內保證治療計劃的質量[15]。

然而，本研究結果還顯示，食管癌自動VMAT計劃中的雙肺低劑量區（V5、V10）略微升高（僅V5的劑量差異有統計學意義），但也在臨床可接受的范圍；升高的原因可能是 Auto-Planning計劃對脊髓、心臟等其他OAR的劑量限值過于嚴格，計劃優化時，經過該區域的VMAT調制通量減少，導致經過雙肺組織區域的通量增加。在本研究中，與人工計劃相比，每個計劃的機器跳數平均增加了41 MU，原因可能是自動計劃通過添加更多的MLC調制從而實現了更好的計劃劑量分布。

本研究所選取的食管癌病例的靶區體積相對較小，因此基于Auto-Planning技術的VMAT計劃能達到滿意的結果；但本研究也嘗試做了特別復雜或靶區體積較大的食管癌病例的研究，自動計劃未能很好地達到臨床處方要求，基于人工智能設計出來的放療計劃質量都不會超過資深物理師自己設計的質量。此外，Auto-Planning的局限性還在于不能自動生成多處方或多中心點的治療計劃，不具備射野角度優化功能，以及無法制作調強與適形的混合計劃[16]。

綜上所述，本研究顯示Auto-Planning適合做大量中低檔難度的、重復性高的早期病例；Auto-Planning的應用可避免人工計劃設計過程中重復和煩瑣的操作，縮短計劃設計時間，提升計劃設計效率，從而減輕物理師做計劃的負擔。同時，Auto-Planning的應用也有助于消除不同設計者之間計劃質量差異，也可應用于計劃設計初學者的訓練。未來進一步的研究也將探索Auto-Planning的臨床應用價值。