張南大夫
《Medicine (Baltimore)》2022 年10月7日在線發表韓國Chungbuk National University Hospital的Hyeong Cheol Moon , Young Seok Park 撰寫的《利用人工神經網絡預測大分割伽瑪刀放射外科治療後的腦轉移瘤體積 。Volume prediction for large brain metastases after hypofractionated gamma knife radiosurgery through artificial neural network》（doi: 10.1097/MD.0000000000030964.）。
單次伽瑪刀放射外科(GKRS)治療小腦轉移瘤的有效性已被證實，但基於線性二次方程(LQ)模型的大分割GKRS (hfGKRS)治療大腦轉移瘤(BM)的有效性尚不確定。本研究的目的旨在從LQ模型研究在hfGKRS後大BM的體積變化，並利用人工神經網絡(ANN)預測體積變化。
腦轉移瘤(BM)通常被認為是並發系統性癌症的顱內腫瘤，是患者發病和死亡的關鍵原因。BM的發病率增加的原因，可能是由於通過手術、放療、放射外科和全身化療等方法更好地控制了局部腫瘤，從而延長了生存期。最近，立體定向放射外科(SRS)，如伽瑪刀放射外科(GKRS)作為轉移性腦腫瘤的治療越來越受到歡迎。然而，在一些研究中已有報道，由於相對於單次療程SRS的輻射毒性，SRS治療大的病灶(直徑>3 cm)仍然難以控制。以往的報道很少證實用GKRS治療大型BM。
帶面罩固定的新一代ICONTM伽瑪刀具有分割治療的潛力。ICON伽瑪刀可以通過高清運動管理(HDMM)攝像檢測患者的運動軌跡，使用錐形束計算機斷層掃描(CBCT)定義立體定向參考，並可能使用面罩固定實現大分割治療。儘管基於線性二次(LQ)模型的大分割GKRS (hfGKRS)治療可以有效治療大型腦轉移瘤，但尚不清楚包括治療周期、劑量處方和體積結果在內的優化參數。近年來，臨床決策的統計和數學模型已成為研究人員關注的一個重要領域。臨床領域的模型可以幫助醫生做出決策，優化治療方案，防止危險因素的發展。
人工神經網絡(ANN)和回歸模型被用來預測結果。人工神經網絡是一個強大的分析儀，發現數據集之間的複雜和非線性關係，並模仿生物神經系統。人工神經網絡的引入是放射外科領域發展預測模型的主要挑戰之一。基於梯度的算法是訓練最頻繁的算法。
在本研究中，我們從LQ模型研究接受hfGKRS治療後大的BM的體積變化。此外，我們利用人工神經網絡預測了體積的變化。
在獲得研究所倫理許可後，我們在我們的ICON伽瑪刀中心回顧性地創建數據，分析2018年至2021年的大型BM患者。共28例患者(男18例，女10例;年齡範圍35 - 85歲;中位年齡為69.5歲)，在 Chungbuk National University Hospital.確診患有大型BM。一般特徵如性別、年齡、病理、遞歸分區分析(RPA)、Karnofsky一般表現狀態(KPS)評分、和GKRS操作報告。我們分析了28例患者的44個大的腦部病變。
所有受試者使用1.5T MR系統(Philips Achieva, Best, Netherlands)進行磁共振成像(MRI)掃描。在獲取連續三維T1加權增強圖像(層厚1.0 mm;重複時間/回波時間，25/46.2毫秒;翻轉角度，30;視野256x256和240x240矩陣;section數，80;採集時間，360 - 420秒)。我們還添加了T1加權和T2加權圖像進行診斷。排除所有帶有運動偽影的圖像。
基於T1加權增強圖像，在經過醫學成像和神經腫瘤學專業訓練的醫學物理學家/神經外科醫生/放射科醫生同意的情況下，確定轉診時的大型腦轉移瘤數目。所有患者至少需要在約3個月後進行MRI隨訪。通過Leksell Gamma Plan (Elekta Instrument AB，版本11.1)測量腫瘤體積，採用手動和半自動分割。
從電子病歷和規劃參數中進行特徵提取:性別、年齡、KPS、RPA、靶點數目、射線照射時間（beam-on time ）、覆蓋率、選擇性、梯度指數、處方劑量(50%邊緣劑量)、分割次數、生物等效劑量(生物效應劑量[BED]10)、病變數目、診斷、初始腫瘤體積、病變區域和hfGKRS治療後腫瘤體積。採用LQ模型對BED10進行分割治療效果的研究。病變區域按主要腦葉(額葉、顳葉、頂葉、枕葉和小腦)來定義。
我們使用了Keras(版本2.2.4)、Pandas(版本0.23)和scikit-learn python(版本3.3)庫。單層感知器(SLP)由單層輸出節點組成，通過權值和偏差直接導致輸出。多層感知器(MLP)由前饋算法(在許多應用中稱為函數逼近)和反向傳播網絡(backpropagation network)組成。我們的訓練過程使用Keras工具進行分類交叉熵損失和隨機梯度下降進行優化。學習率1.0 。ANN建模流程圖如圖1所示。
28例因大型BM接受hfGKRS的患者的特徵列於表1。每3個月隨訪一次，觀察腫瘤複發或新發腫瘤。初始腫瘤體積為14.0±5.3 cc, hfGKRS治療後腫瘤體積為9.0±4.3 cc。除2例外，大的腫瘤均有放射影像學反應。
在規劃GKRS時，腫瘤邊緣比現有腫瘤切緣大0.5 mm，如圖2所示。我們使用MATLAB (R2018a版本，MathWorks, USA)從LQ模型簡單計算處方劑量(50%邊緣)。幾乎所有BM均遵循α/β = 10。根據LQ模型方程(BED = nD [1 + [D/ (α/β]])，根據圖3中分割次數選擇處方劑量。
為了計算精度，我們將腦瘤大小轉換為一個整數，以獲得最佳的選擇性能。在測試集中，MLP和SLP在預測體積變化方面的準確率分別為80%和75%。
隨訪3個月~ 12個月。局部腫瘤控制率96%，所有患者均未發現新的腦轉移灶。中位總生存期為6個月。神經功能缺損的臨床過程包括頭痛(n = 3)、運動功能障礙(n = 1)、嘔吐(n = 1)。隨訪MRI資料顯示，所有患者均有改善。
我們回顧性調查了28例接受hfGKRS治療的大的(直徑>3 cm或體積>10 cc)腦轉移瘤(BM）的患者的臨床表現。從28例有以上特徵的患者中共提取了44個腫瘤。隨機分出30個大的腦轉移瘤作為訓練集，14個大的腦轉移瘤瘤作為測試集。為了預測hfGKRS後的體積變化，我們使用人工神經網絡模型（ANN models）(單層感知器[single-layer perceptron，SLP]和多層感知器[multi-layer perceptron，MLP])。
按LQ模型，大的BM在接受hfGKRS治療後體積減少96%。ANN模型對SLP和MLP的預測精度分別為70%和80%。即使在大型腦轉移瘤（BM），按LQ模型的hfGKRS也可能是一個很好的治療選擇。此外，MLP模型可以預測大的BM 接受hfGKRS治療後的體積變化，準確率達80%。
本研究旨在研究hfGKRS治療大型BM後的體積變化，並利用人工神經網絡預測體積變化。我們的病例研究的主要結果是:LQ模型可以應用於hfGKRS治療, hfGKRS系列能讓大的BM減小腫瘤大小，ANN可以預測腫瘤體積變化，準確率達80%。
人工神經網絡(ANN)是醫學領域最流行的人工智能技術。ANN已經被用於臨床診斷，放射效應學中的圖像分析，數據解釋，神經腫瘤學和組織病理學ANN具有與計算機相似的能力，可以收集和處理許多變量，並具有試錯訓練的能力。因此，計算機可以學會識別模式並做出明智的決定。這種技術被稱為人工智能，在醫療領域使用可變技術。然而，ANN不支持唯一解，因為訓練的靜息狀態是基於幾個因素的，包括權重、病例數和測試周期。因此，對於某些應用，如癌症預測，可以生成網絡相對於結果概率的頻率分佈，並可以創建一個中心趨勢，包括平均值、模式、方差測量和非參數預測區間(對於具有斜率的非參數分佈)。採用LQ模型描述細胞存活曲線，該曲線由兩種輻射致細胞死亡的機制組成。hfGKRS的目的是為大體積轉移瘤提供最佳劑量，而不是傳統的放射給葯，同時最大限度地減少對正常組織的損傷。Iwata等人認為LQ形式主義導致了錯誤的大分割放療模型，因為大分割的療效約為15%。此外，轉移性腦瘤的α/β比值被假設為10 - 20，較高的α/β比值表明對分割治療更敏感。利用LQ模型，hfGKRS治療轉移性腦瘤的臨床結果尚未得到優化。我們發現MLP可以預測約80%的臨床結果。這些作者認為神經網絡可以作為一種預測臨床結果的優化治療計劃方法。我們採用每日分割治療計劃。已經報道了一些每日分割治療。Shoji等在3至4周的兩次分割中照射20至30Gy。Kim等使用頭架連續3 - 4天進行5 - 11Gy的分割治療。Dohm等人在15Gy/1fx一個月後再照射14Gy/1fx。這些間隔時間策略的目的是在第二次對更小的體積重新規劃後以縮小腫瘤的大小。在我們目前的研究中，體積縮小為96%，未見放射性壞死。我們認為對大型BM每天的治療計劃是有效的。
本研究存在一定的局限性。首先，大腦瘤患者數目相對較少，未來的研究需要更多的樣本。第二，該研究顯示了腦瘤發展的橫截面。第三，沒有比較原發癌症類型的輻射反應。
我們分析了hfGKRS對大BM的影響，並通過神經網絡預測了體積的變化。結果表明，基於LQ模型的hfGKRS算法適用於大型BM。通過我們的神經網絡模型，可以預測大BM在hfGKRS治療後的體積變化。
