建立了一个用于放射治疗知识基础计划（KBP）优化模型开发的开放框架，包括100个头颈癌病人的基准计划和19个KBP模型的高质量剂量预测。通过比较预测和计划的剂量分数，剂量体积直方图（DVH）准则偏差以及满足临床计划准则的频率，证明了KBP生成的计划比预测剂量优秀，最终推荐了一种相应的优化模型。

Feb, 2022

本文提出基于距离感知扩散模型的CT图像辅助剂量预测方法，实现了精密的剂量预测和肿瘤区域或危险器官等区域的距离信息引入，同时采用了多编码器和多尺度融合网络技术，有效提高了预测效果，实验证明该方法在乳腺癌和鼻咽癌两个数据集上，性能优于现有的剂量预测方法。

Jun, 2023

通过扩散模型为癌症患者的放射治疗剂量分布预测提出了一种方法(DiffDose)，该方法通过正向和逆向过程分别将剂量分布转化为高斯噪音和去除噪音，从而有效地解决了现有方法中平滑问题和损失计算的限制。

Nov, 2023

我们设计了一种基于人工智能的噪声探测剂量方法用于前列腺和肺癌患者的质子治疗剂量预测，该方法在物理学方面进行了改进，提高了处理异常临床案例的预测通用性。

Dec, 2023

通过深度学习生成的人工合成CT图像可用于MR引导下的自适应放射治疗中的剂量计算和优化，提高治疗计划的模拟和自适应规划效率。

Dec, 2023

使用三元约束Transformer（TCtrans）和多尺度精化技术来预测高质量的剂量分布，对临床宫颈癌数据集进行实验验证，证明了该方法的优越性。

Feb, 2024

通过使用图像和大型语言模型（LLM）辅助的深度学习模型，本研究提出了一种将无结构图像转化为结构化图形的流程，并开发了一种名为DoseGNN的剂量图神经网络模型用于预测剂量体积直方图（DVH）。与放射治疗中广泛使用的DL模型相比，LLM增强的DoseGNN模型在预测上取得了Swim U-Net Transformer、3D U-Net CNN和普通MLP的平方误差的80％、76％和41.0％的效果，并通过与临床医生的自然语言交互，实现了与治疗计划的无缝调整。

Feb, 2024

在放射治疗剂量预测领域，我们应用了一种名为深度证据学习的不确定性量化框架，通过使用Open Knowledge-Based Planning Challenge数据集的医学影像，我们发现该模型可以有效地产生与预测误差相关的不确定性估计，在网络训练完成后仅经过重新构建原始损失函数以实现稳定实现。实验结果表明，深度证据学习相对于Monte-Carlo Dropout和Deep Ensemble方法，能够更线性地根据不确定性阈值变化的中位误差，与模型误差均匀校准的敏感性。同时，我们发现对于加入高斯噪声的CT强度，与表征数据噪声的aleatoric不确定性表现出更显著的分布变化。总的来说，我们的研究结果表明深度证据学习是一种有前景的方法，可以为放射治疗剂量预测的深度学习模型提供统计稳健性，我们还展示了如何使用这种模型构建预测的剂量体积直方图的置信区间。

Apr, 2024

通过使用代表性的信息体素子集，我们减少了辐射治疗计划中耗时的优化问题，提高了规划效率同时保持或增加了计划质量。为了降低优化问题的计算复杂性，我们提出了通过重要性抽样对体素集合进行子采样的方法。我们根据从一个包含简化探测目标的简单优化问题的预解答中获得的重要性分数推导了一个抽样分布。通过使用这个子集解决原始优化问题的简化版本，我们有效地减小了问题的大小和计算需求，同时考虑了区域内对满足剂量投递要求具有挑战性的情况。与其他随机子采样方法相比，我们的技术只需一次抽样步骤来定义一个简化的优化问题。这个问题可以使用成熟的求解器高效地解决。对开放基准数据的实证实验凸显了缩短优化时间的显著效果，强度调控辐射治疗(IMRT)的优化速度提高了50倍，同时保持了传统方法的计划质量。我们的方法能够通过解决计算方面的挑战显著加速辐射治疗规划，我们通过减小优化问题的规模而非改进优化方法来缩短治疗规划时间。因此，我们的努力是对之前发展的一个有益补充。

May, 2024

本研究解决了放射治疗计划中靶区和风险器官轮廓描绘精度不足的问题，尤其是在分布外（OOD）场景下模型的可靠性。我们提出了一种将认识不确定性估计整合到OAR轮廓描绘工作流中的新方法，通过一种先进的统计方法增强OOD检测能力。实证结果表明，该方法在OOD检测中的AUC-ROC达到0.95，具有良好的临床应用潜力。

Sep, 2024