简介：摘要在大数据和人工智能的助力下，放射治疗计划自动化的研究及临床应用发展迅速。放疗计划自动化系统的使用和监管等工作，需要仔细考虑自动化的程度及其适用环境。对于自动驾驶车辆，国内外定义了其自动化水平，但对于放疗计划自动化没有类似的定义。为了促进和规范放疗计划自动化发展，并激发行业讨论，我们参考汽车驾驶自动化分级制定了此分级建议，将放疗计划自动化分成6个等级(1级至6级)。

简介：摘要目的建立基于预测可行性剂量体积直方图(DVH)的肝癌容积调强弧形治疗(VMAT)自动计划方法，并评价其性能。方法回顾性随机选取10例放疗肝癌病例。采用Pinnacle Auto-Planning设计VMAT自动计划，通过PlanIQ剂量预测得到可行性DVH曲线，并根据其显示的可行性目标区间设置自动计划的初始优化目标。评价计划靶体积、正常肝和其他危及器官的剂量参数以及机器跳数，并与临床手工计划行配对t检验。结果自动计划和手工计划的计划靶体积D2%、D98%、Dmean和均匀度指数相近[(58.55±2.81) Gy∶(57.98±4.17) Gy、(47.15±1.58) Gy∶(47.82±1.38) Gy、(53.14±0.95) Gy∶(53.44±1.67) Gy和1.15±0.05∶1.14±0.07，P均>0.05]，手工计划的计划靶体积适形指数略高于自动计划(0.77±0.08∶0.69±0.06，P<0.05)。自动计划的肝V30Gy、V20Gy、V10Gy、V5Gy和V<5Gy显著优于手工计划[(26.68±11.13)%∶(28.00±10.95)%、(29.96±11.50)%∶(31.89±11.51)%、(34.88±11.51)%∶(38.66±11.67)%、(45.38±12.40)%∶(50.74±13.56)%和(628.52±191.80) cm3∶(563.15±188.39) cm3，P均<0.05]，自动计划的小肠、十二指肠、心脏Dmean以及全肺V10Gy低于手工计划[(1.83±2.17) Gy∶(2.37±2.81) Gy、(9.15±9.36) Gy：(11.18±10.49) Gy、(5.44±3.10) Gy∶(6.25±3.26) Gy以及(12.70±7.08)%∶(14.47±8.11)%，P均<0.05]。两种计划的机器跳数相近[(710.67±163.72) MU∶(707.53±155.89) MU，P>0.05]。结论基于预测可行性DVH的肝癌VMAT自动计划方法能提高计划质量，更好保护正常肝，对小肠、十二指肠、全肺和心脏的保护也有优势。

简介：摘要目的将深度学习算法与商用计划系统整合，建立乳腺癌靶区和危及器官(OARs)自动分割平台并加以验证。方法入组在中国医学科学院肿瘤医院行保乳术后放疗的左、右乳腺癌患者各400例。基于深度残差卷积神经网络进行训练临床靶区(CTV)和OARs分割模型，建立端到端的基于深度学习的自动分割平台(DLAS)。使用42例左乳腺癌和40例右乳腺癌验证DLAS平台勾画的准确性。分别计算总体戴斯相似性系数(DSC)和平均豪斯多夫距离(AHD)。并计算相对层位置与每层DSC值(DSC_s)的关系，进行逐层分析。结果左/右乳腺癌全乳CTV平均总体DSC和AHD分别为0.87/0.88和9.38/8.71mm，左/右乳腺癌OARs平均总体DSC和AHD范围为0.86～0.97和0.89～9.38mm。对CTV和OARs进行逐层分析，达到0.90以上表示医生只需要较少修改甚至不用修改的层面，左右乳腺癌的CTV勾画占比约44.7%的层面，OARs自动勾画占比范围为50.9%～89.6%。对于DSC_s<0.7，在两侧边界区域(层位置0～0.2和0.8～1.0) CTV和除脊髓以外的感兴趣区域DSC_s值明显下降，且越靠近边缘降低程度越明显。脊髓采用全层勾画，未发现有特殊区域出现DSC_s明显下降。结论建立端到端的DLAS平台整合乳腺癌分割模型取得较好的自动分割效果。在头脚方向的两侧边界区域，勾画的一致性下降较明显，有待进一步提高。