从LQ到AI-BED-Fx：一种统一的、多分数学的放射生物学与机器学习框架，用于治疗颅内各种病变的伽玛刀放射外科手术 R?zvan Buga, C?lin Gheorghe Buzea, Valentin Nedeff, Florin Nedeff, Diana Miril?, Maricel Agop, Leti?ia Doina Duceac, Lucian Eva

《Cancers》：From LQ to AI-BED-Fx: A Unified Multi-Fraction Radiobiological and Machine-Learning Framework for Gamma Knife Radiosurgery Across Intracranial Pathologies R?zvan Buga, C?lin Gheorghe Buzea, Valentin Nedeff, Florin Nedeff, Diana Miril?, Maricel Agop, Leti?ia Doina Duceac and Lucian Eva

本研究提出AI-BED-Fx框架，整合生物剂量模型与机器学习，适用于Gamma Knife多分次放疗。通过模拟数据验证，生物等效剂量（BED）在动脉瘤中显著优于物理剂量（AUC 0.922 vs 0.642），而在脑转移瘤中预测效果有限（AUC 0.614），且表现与真实临床数据一致。该模型首次统一处理单次及3/5分次放疗的生物剂量计算，揭示BED预测价值与病理类型强相关。

简要总结

Gamma Knife放射外科是一种精确的脑部放射治疗方式，但治疗决策仍主要基于物理剂量测量结果，而这些测量结果并未反映活体组织随时间对放射线的反应，尤其是在分次治疗的情况下。现有的生物模型主要针对单次治疗设计，不太适用于现代的分次Gamma Knife治疗方式。在这项研究中，我们提出了一个新的基于生物学的框架，该框架可以估计放射线在1次、3次或5次治疗中对目标组织的损伤效果。通过使用模拟的疾病特异性数据和人工智能方法，我们发现生物剂量信息在某些脑部疾病的治疗效果预测中有所改进，但在其他疾病中效果不佳。这些结果强调了生物建模的适用性，并为未来研究和临床实践中的个性化、基于生物学的放射外科治疗计划提供了基础。

摘要

背景：Gamma Knife放射外科（GKS）能够实现高度符合肿瘤形状的颅内照射，但临床决策仍主要依赖于物理剂量指标，而这些指标没有考虑分次治疗、剂量率、治疗时间或DNA修复等因素。传统的放射生物学模型（如线性-二次方（LQ）公式和Jones-Hopewell单次治疗修复模型）无法自然地应用于3次或5次分次治疗的情况。越来越多的证据表明，生物有效剂量（BED）可能更准确地反映某些病理情况下的放射外科治疗效果。目前尚缺乏一个统一的、基于生物学的多分次GKS治疗框架。 方法：我们开发了AI-BED-Fx，这是首个能够计算1次、3次和5次分次GKS治疗中分次剂量（BED）的Jones-Hopewell放射生物学模型的扩展版本。该框架结合了α/β比值、双组分修复动力学、照射中心几何结构、照射时间分布以及特定病变的生物学参数。我们使用不同的放射生物学特征生成了四个合成病理模型队列：动静脉畸形（AVM）、脑膜瘤（MEN）、前庭神经鞘瘤（VS）和脑转移瘤（BM）。通过机器学习模型，我们量化了物理剂量与BED在局部控制或肿瘤消除方面的预测价值。此外，还进行了α/β比值的贝叶斯估计以及基于神经网络的快速BED预测实验。我们还通过与包含60个病变的临床脑转移瘤数据集的对比分析，评估了合成模型队列中的关键趋势是否与实际治疗结果一致。 结果：AI-BED-Fx能够生成符合实际的病理特异性BED分布（AVM：60–210 Gy_2.47；MEN：41–85 Gy_3.5；VS：46–68 Gy₃；BM：37–75 Gy₁₀），并揭示了生物学上一致的剂量-反应关系。预测模型显示出显著的病理依赖性。在AVM中，三种模型的AUC分别为0.921（模型A）、0.922（模型B）和0.924（模型C），Brier分数分别为0.054、0.051和0.051，其中基于BED的模型表现最佳。在脑膜瘤中，BED是主要的预测因素，AUC分别为0.642（模型A）、0.660（模型B）和0.661（模型C），Brier分数分别为0.181、0.177和0.179。在前庭神经鞘瘤中，由于BED范围较窄，其对治疗效果的贡献较小，AUC分别为0.812、0.827和0.830，Brier分数分别为0.165、0.160和0.162，其中物理剂量和肿瘤体积是影响治疗效果的主要因素。在脑转移瘤中，治疗效果主要由肿瘤体积和物理剂量决定，AUC分别为0.614、0.630和0.629，Brier分数分别为0.254、0.250和0.253，表明BED的预测价值有限。AI-BED-Fx还能准确重建真实的α/β比值（合成数据中的平均值为2.54，实际值为2.47），并且神经网络替代模型能够以近乎完美的精度再现完整的放射生物学BED计算结果（R² = 0.9991）。 结论：AI-BED-Fx为单次和多次分次Gamma Knife放射外科治疗提供了一个统一的、基于生物学的建模框架。研究结果表明，BED的预测价值具有病理特异性，并非普遍适用；只有当修复动力学和剂量-反应生物学机制得到支持时，放射生物学剂量才能提供额外的预测价值。通过将机制性放射生物学与机器学习相结合，AI-BED-Fx为基于生物学的、人工智能引导的放射外科治疗以及跨病理类型的疗效比较奠定了概念和计算基础。本研究使用大规模的基于生物学的合成数据集进行方法学验证；实际患者数据仅用于探索性一致性检验，完整的临床验证计划尚未完成。