3.5 放射治疗计划优化
放射治疗,也称为放疗,是一种利用X射线等高强度能量束杀死癌细胞的癌症治疗方法。在治疗开始之前,由放射肿瘤学家和计划设计人员组成的放射治疗团队会协作设计有效的治疗计划。这涉及确定所需的放射治疗剂量,并精确确定需要治疗的准确位置。
放射治疗计划可以表述为双环优化问题。内环称为逆向计划,包括影响图优化和直接孔径优化等过程[62]。该优化问题通常是一个约束优化问题,由数值优化器求解,旨在最小化一个加权代价函数,该函数平衡多个相互冲突的目标[63]。这些目标包括向计划靶区(PTV)递送处方剂量——PTV涵盖肿瘤以及为考虑计划或治疗实施中的不确定性而增加的外扩边界——同时保护被称为危及器官(OARs)的关键正常组织免于接受不安全剂量。
治疗计划中的主要挑战是将总体临床目标转化为加权目标函数和剂量约束,从而产生可接受的计划[62]。人类计划设计人员通常采用试错方法,根据优化过程的结果迭代调整优化超参数,直到计划满足临床要求[62]。这些超参数包括目标函数中分配给PTV、器官和其他组织的权重。这一过程可能是主观的,受计划设计人员的经验和可用时间影响,并且涉及在许多次迭代中反复使用计算成本高昂的优化算法。这使得该过程效率低下、耗时且成本高昂[64]。
方法。我们应用TEXTGRAD执行外环优化,即内环数值优化器的超参数优化。实例优化通过gpt-4o对以字符串表示的超参数进行: “PTV权重:[PTV WEIGHT],膀胱权重:[BLADDER WEIGHT],直肠权重:[RECTUM WEIGHT],股骨头权重:[FH WEIGHT],身体权重:[BODY WEIGHT]”。当提供超参数时,我们通过采用数值优化器并将损失构造为当前计划与临床目标之间的不匹配来获得治疗计划。具体而言,为了计算梯度,我们首先使用数值优化器matRad[65]求解内优化环,以获得相应的治疗计划。损失基于治疗计划和临床目标,使用LLM并采用第G.1节中提供的提示进行计算。
新的超参数通过 TextGrad 下降步骤获得
为了进一步提升 LLM 理解超参数 与 matRad 生成的计划 之间关系的能力,在 TGD_step 期间向 LLM 提供一组配对计划及其对应超参数 作为上下文。因此,

评估指标。为了评估治疗计划,我们采用了几种常用的剂量指标,因为单个指标无法评估一个计划。我们考虑递送到靶区/器官体积的平均剂量,以及 ,它表示靶区/器官体积的 所接受的最小剂量。
结果。TExTGRAD 生成的梯度为改进超参数提供了有意义的指导。如图 3 所示,当计划靶区体积(PTV)外存在剂量溢出时,梯度建议增加 PTV 的重要性权重。这一调整使 PTV 的剂量更加均匀且更受约束。然而,这可能导致对膀胱和直肠的保护不足,因为它们的相对权重被降低了。因此,在下一步中,梯度建议略微增加膀胱和直肠的权重,从而更好地保护这些器官。我们将 TExTGRAD 优化的计划与用于治疗五名前列腺癌患者的临床计划进行了比较。在图 3(c) 中,我们评估了 TextGrad 在实现 PTV 区域临床目标方面的能力。TextGrad 在所有指标上均优于临床计划,实现了更高的平均剂量,并且 恰好与处方剂量匹配。在图 3(d) 中,我们关注健康器官的保护。TextGrad 优化的计划对这些健康器官实现了更低的平均剂量,表明其器官保护优于人工优化的计划。我们报告了五个计划的平均值,括号中包含标准差。