在直肠癌的多学科综合治疗中，放疗扮演着至关重要的角色。然而，精准放疗的理想与现实之间存在一道鸿沟：在长达数周的治疗过程中，患者的膀胱充盈度、肠道蠕动及肿瘤本身的缩小等因素，都会导致肿瘤靶区和周围正常器官的解剖结构发生显著变化。如果一成不变地执行基于治疗前单次CT扫描制定的静态放疗计划，很可能出现肿瘤剂量不足或正常组织受到过量照射的风险，严重影响治疗效果和患者安全。为了应对这一挑战，自适应放疗(Adaptive Radiotherapy, ART)应运而生，它要求能够在治疗过程中实时监测解剖结构变化，并动态调整治疗方案，这就离不开高质量的影像引导和精确的剂量计算。
目前，医用直线加速器上最常用的影像引导设备是锥形束计算机断层扫描(Cone-Beam Computed Tomography, CBCT)。它虽能有效监控分次间的解剖变化和摆位误差，但其图像却因受到散射伪影和噪声干扰的“污染”，存在图像质量不佳、亨氏单位(Hounsfield Unit, HU)值不准等问题，限制了其在重新制定放疗计划（再计划）中的应用。近年来，基于深度学习的合成计算机断层扫描(synthetic CT, sCT)技术为改善CBCT图像质量提供了富有前景的解决方案。然而，验证sCT剂量计算准确性的传统方法，严重依赖于将计划CT图像通过形变配准的方式“扭曲”到CBCT图像空间进行对比。在盆腔区域，由于膀胱和肠道的状态极易变化，这种形变配准本身会引入显著的不确定性，使得评估结果真假难辨。那么，是否存在一种更稳健的方法，能够绕过形变配准的“雷区”，直接验证高质量CBCT图像用于临床剂量计算的可行性呢？一项发表于《Current Radiopharmaceuticals》的研究，为我们带来了肯定的答案。
该研究采用了几项关键方法构建了创新的验证框架。首先，研究团队回顾性筛选病例，入组了在北京大学人民医院接受术前同步加量VMAT放疗的直肠癌患者。他们设定了一个关键的筛选基准：在计划CT上，使用患者特异性电子密度计算的剂量与使用“体电子密度赋值”方法（即将特定器官轮廓赋予均匀的电子密度值）计算的剂量，其偏差需小于1.5%。据此筛选出20名符合条件的患者，确保了“体电子密度赋值”在这些病例中可以作为可靠的剂量计算参考基准。其次，利用深度学习模型生成HQCBCT图像，该模型是Elekta公司为Harmony Pro加速器开发的商用软件，结合了生成对抗网络和风格迁移技术，旨在抑制CBCT的散射噪声、提升信噪比并校正伪影。最后，在剂量学评估中，研究者在HQCBCT图像上直接进行剂量比较：以体电子密度赋值计算的计划(VMAT-Ref)为参考基准，与直接使用HQCBCT图像原生电子密度计算的计划(VMAT-Native)进行对比，从而避免了传统方法中形变配准带来的误差。
2.1. HQCBCT图像的结构一致性
为了评估HQCBCT是否保持了原始CBCT的几何结构，研究人员由同一位经验丰富的临床医生分别在CBCT和HQCBCT图像上勾画了直肠、膀胱、小肠、左右股骨头和脊髓等危及器官(Organs-at-Risk, OARs)。通过计算戴斯相似系数(Dice Similarity Coefficient, DSC)、95%豪斯多夫距离(HD95)和体积差异(Volume Difference, VD)来量化一致性。结果显示，除股骨头外，其他OAR的平均DSC均大于0.991，平均HD95在0.12毫米以内，平均VD在-0.86%以内，表明HQCBCT与原始CBCT在绝大多数关键结构上具有极高的轮廓重叠度和边界一致性。左右股骨头的一致性略低（平均DSC分别为0.987和0.986，HD95分别为0.85毫米和0.77毫米），但仍处于临床可接受范围内。视觉对比也证实，两种图像上的OARs轮廓基本重叠，微小差异主要出现在股骨头边界和肠气区域。
2.2. HQCBCT图像的剂量学准确性
这是验证的核心环节。研究人员在HQCBCT图像上，系统比较了VMAT-Ref和VMAT-Native两个计划的剂量分布。对于靶区（包括计划靶区PTV和计划肿瘤靶区PGTV），所有剂量学参数（如V100%、D1%、D99%、Dmean）的平均差异均在±0.15%以内，且无统计学差异。对于危及器官，剂量学参数的平均差异在±0.60%以内。尽管小肠和股骨头的多数参数显示出统计学上的显著差异，但除极个别参数点外，其偏差幅度均很小。20名患者中，仅有3名患者的个别OAR参数偏差略微超过了±1.5%的预设阈值，但仍在临床可接受的±3%范围内。剂量分布图和剂量体积直方图(Dose-Volume Histogram, DVH)的视觉对比显示，两个计划的等剂量线高度吻合，靶区和所有OARs的剂量曲线近乎完全重叠。伽马分析(Gamma Analysis)结果进一步证实了其高精度：在1%/1mm标准下，平均伽马通过率为91.23%；在临床更常用的2%/2mm标准下，平均通过率高达99.37%。
3. 研究结论与意义
本研究通过一项创新的验证策略证实，基于深度学习生成的高质量CBCT(HQCBCT)图像，不仅保持了与原始CBCT极佳的结构一致性，其自身的原生电子密度也足以支持高精度的放疗剂量计算。这意味着，在直肠癌的自适应放疗中，临床医生有可能直接基于治疗当天采集的CBCT，通过AI模型快速“净化”得到HQCBCT图像，并在此图像上直接进行精准的剂量计算和计划优化，从而真正实现高效、精准的“在线”自适应放疗。
这项研究的重要意义在于其方法的突破性。它巧妙地通过前期病例筛选，建立了一个稳健的剂量参考基准（体电子密度赋值），从而绕过了传统验证方法中最大的误差源——形变配准。这使得对HQCBCT剂量计算能力的评估更为直接和可靠。研究结果有力地支持了HQCBCT技术应用于临床直肠癌自适应放疗的可行性，为简化在线自适应放疗流程、提高治疗效率与精度提供了扎实的理论依据和技术支撑。当然，研究也指出了未来需要优化的方向，例如进一步提升模型在股骨头等高密度区域的电子密度计算精度，以及扩大样本量、纳入更多具有挑战性的病例（如体内有金属植入物或肠气严重的患者）进行验证。随着技术的不断迭代和临床经验的积累，深度学习驱动的影像增强技术，正成为推动精准放疗迈向智能化时代的关键引擎。
