张南大夫
《Medicine (Baltimore)》2022 年10月7日在线发表韩国Chungbuk National University Hospital的Hyeong Cheol Moon , Young Seok Park 撰写的《利用人工神经网络预测大分割伽玛刀放射外科治疗后的脑转移瘤体积 。Volume prediction for large brain metastases after hypofractionated gamma knife radiosurgery through artificial neural network》（doi: 10.1097/MD.0000000000030964.）。
单次伽玛刀放射外科(GKRS)治疗小脑转移瘤的有效性已被证实，但基于线性二次方程(LQ)模型的大分割GKRS (hfGKRS)治疗大脑转移瘤(BM)的有效性尚不确定。本研究的目的旨在从LQ模型研究在hfGKRS后大BM的体积变化，并利用人工神经网络(ANN)预测体积变化。
脑转移瘤(BM)通常被认为是并发系统性癌症的颅内肿瘤，是患者发病和死亡的关键原因。BM的发病率增加的原因，可能是由于通过手术、放疗、放射外科和全身化疗等方法更好地控制了局部肿瘤，从而延长了生存期。最近，立体定向放射外科(SRS)，如伽玛刀放射外科(GKRS)作为转移性脑肿瘤的治疗越来越受到欢迎。然而，在一些研究中已有报道，由于相对于单次疗程SRS的辐射毒性，SRS治疗大的病灶(直径>3 cm)仍然难以控制。以往的报道很少证实用GKRS治疗大型BM。
带面罩固定的新一代ICONTM伽玛刀具有分割治疗的潜力。ICON伽玛刀可以通过高清运动管理(HDMM)摄像检测患者的运动轨迹，使用锥形束计算机断层扫描(CBCT)定义立体定向参考，并可能使用面罩固定实现大分割治疗。尽管基于线性二次(LQ)模型的大分割GKRS (hfGKRS)治疗可以有效治疗大型脑转移瘤，但尚不清楚包括治疗周期、剂量处方和体积结果在内的优化参数。近年来，临床决策的统计和数学模型已成为研究人员关注的一个重要领域。临床领域的模型可以帮助医生做出决策，优化治疗方案，防止危险因素的发展。
人工神经网络(ANN)和回归模型被用来预测结果。人工神经网络是一个强大的分析仪，发现数据集之间的复杂和非线性关系，并模仿生物神经系统。人工神经网络的引入是放射外科领域发展预测模型的主要挑战之一。基于梯度的算法是训练最频繁的算法。
在本研究中，我们从LQ模型研究接受hfGKRS治疗后大的BM的体积变化。此外，我们利用人工神经网络预测了体积的变化。
在获得研究所伦理许可后，我们在我们的ICON伽玛刀中心回顾性地创建数据，分析2018年至2021年的大型BM患者。共28例患者(男18例，女10例;年龄范围35 - 85岁;中位年龄为69.5岁)，在 Chungbuk National University Hospital.确诊患有大型BM。一般特征如性别、年龄、病理、递归分区分析(RPA)、Karnofsky一般表现状态(KPS)评分、和GKRS操作报告。我们分析了28例患者的44个大的脑部病变。
所有受试者使用1.5T MR系统(Philips Achieva, Best, Netherlands)进行磁共振成像(MRI)扫描。在获取连续三维T1加权增强图像(层厚1.0 mm;重复时间/回波时间，25/46.2毫秒;翻转角度，30;视野256x256和240x240矩阵;section数，80;采集时间，360 - 420秒)。我们还添加了T1加权和T2加权图像进行诊断。排除所有带有运动伪影的图像。
基于T1加权增强图像，在经过医学成像和神经肿瘤学专业训练的医学物理学家/神经外科医生/放射科医生同意的情况下，确定转诊时的大型脑转移瘤数目。所有患者至少需要在约3个月后进行MRI随访。通过Leksell Gamma Plan (Elekta Instrument AB，版本11.1)测量肿瘤体积，采用手动和半自动分割。
从电子病历和规划参数中进行特征提取:性别、年龄、KPS、RPA、靶点数目、射线照射时间（beam-on time ）、覆盖率、选择性、梯度指数、处方剂量(50%边缘剂量)、分割次数、生物等效剂量(生物效应剂量[BED]10)、病变数目、诊断、初始肿瘤体积、病变区域和hfGKRS治疗后肿瘤体积。采用LQ模型对BED10进行分割治疗效果的研究。病变区域按主要脑叶(额叶、颞叶、顶叶、枕叶和小脑)来定义。
我们使用了Keras(版本2.2.4)、Pandas(版本0.23)和scikit-learn python(版本3.3)库。单层感知器(SLP)由单层输出节点组成，通过权值和偏差直接导致输出。多层感知器(MLP)由前馈算法(在许多应用中称为函数逼近)和反向传播网络(backpropagation network)组成。我们的训练过程使用Keras工具进行分类交叉熵损失和随机梯度下降进行优化。学习率1.0 。ANN建模流程图如图1所示。
28例因大型BM接受hfGKRS的患者的特征列于表1。每3个月随访一次，观察肿瘤复发或新发肿瘤。初始肿瘤体积为14.0±5.3 cc, hfGKRS治疗后肿瘤体积为9.0±4.3 cc。除2例外，大的肿瘤均有放射影像学反应。
在规划GKRS时，肿瘤边缘比现有肿瘤切缘大0.5 mm，如图2所示。我们使用MATLAB (R2018a版本，MathWorks, USA)从LQ模型简单计算处方剂量(50%边缘)。几乎所有BM均遵循α/β = 10。根据LQ模型方程(BED = nD [1 + [D/ (α/β]])，根据图3中分割次数选择处方剂量。
为了计算精度，我们将脑瘤大小转换为一个整数，以获得最佳的选择性能。在测试集中，MLP和SLP在预测体积变化方面的准确率分别为80%和75%。
随访3个月~ 12个月。局部肿瘤控制率96%，所有患者均未发现新的脑转移灶。中位总生存期为6个月。神经功能缺损的临床过程包括头痛(n = 3)、运动功能障碍(n = 1)、呕吐(n = 1)。随访MRI资料显示，所有患者均有改善。
我们回顾性调查了28例接受hfGKRS治疗的大的(直径>3 cm或体积>10 cc)脑转移瘤(BM）的患者的临床表现。从28例有以上特征的患者中共提取了44个肿瘤。随机分出30个大的脑转移瘤作为训练集，14个大的脑转移瘤瘤作为测试集。为了预测hfGKRS后的体积变化，我们使用人工神经网络模型（ANN models）(单层感知器[single-layer perceptron，SLP]和多层感知器[multi-layer perceptron，MLP])。
按LQ模型，大的BM在接受hfGKRS治疗后体积减少96%。ANN模型对SLP和MLP的预测精度分别为70%和80%。即使在大型脑转移瘤（BM），按LQ模型的hfGKRS也可能是一个很好的治疗选择。此外，MLP模型可以预测大的BM 接受hfGKRS治疗后的体积变化，准确率达80%。
本研究旨在研究hfGKRS治疗大型BM后的体积变化，并利用人工神经网络预测体积变化。我们的病例研究的主要结果是:LQ模型可以应用于hfGKRS治疗, hfGKRS系列能让大的BM减小肿瘤大小，ANN可以预测肿瘤体积变化，准确率达80%。
人工神经网络(ANN)是医学领域最流行的人工智能技术。ANN已经被用于临床诊断，放射效应学中的图像分析，数据解释，神经肿瘤学和组织病理学ANN具有与计算机相似的能力，可以收集和处理许多变量，并具有试错训练的能力。因此，计算机可以学会识别模式并做出明智的决定。这种技术被称为人工智能，在医疗领域使用可变技术。然而，ANN不支持唯一解，因为训练的静息状态是基于几个因素的，包括权重、病例数和测试周期。因此，对于某些应用，如癌症预测，可以生成网络相对于结果概率的频率分布，并可以创建一个中心趋势，包括平均值、模式、方差测量和非参数预测区间(对于具有斜率的非参数分布)。采用LQ模型描述细胞存活曲线，该曲线由两种辐射致细胞死亡的机制组成。hfGKRS的目的是为大体积转移瘤提供最佳剂量，而不是传统的放射给药，同时最大限度地减少对正常组织的损伤。Iwata等人认为LQ形式主义导致了错误的大分割放疗模型，因为大分割的疗效约为15%。此外，转移性脑瘤的α/β比值被假设为10 - 20，较高的α/β比值表明对分割治疗更敏感。利用LQ模型，hfGKRS治疗转移性脑瘤的临床结果尚未得到优化。我们发现MLP可以预测约80%的临床结果。这些作者认为神经网络可以作为一种预测临床结果的优化治疗计划方法。我们采用每日分割治疗计划。已经报道了一些每日分割治疗。Shoji等在3至4周的两次分割中照射20至30Gy。Kim等使用头架连续3 - 4天进行5 - 11Gy的分割治疗。Dohm等人在15Gy/1fx一个月后再照射14Gy/1fx。这些间隔时间策略的目的是在第二次对更小的体积重新规划后以缩小肿瘤的大小。在我们目前的研究中，体积缩小为96%，未见放射性坏死。我们认为对大型BM每天的治疗计划是有效的。
本研究存在一定的局限性。首先，大脑瘤患者数目相对较少，未来的研究需要更多的样本。第二，该研究显示了脑瘤发展的横截面。第三，没有比较原发癌症类型的辐射反应。
我们分析了hfGKRS对大BM的影响，并通过神经网络预测了体积的变化。结果表明，基于LQ模型的hfGKRS算法适用于大型BM。通过我们的神经网络模型，可以预测大BM在hfGKRS治疗后的体积变化。
