PyDoseRT Photon、微分可能な物理エンジンと小規模なニューラル事前分布で放射線治療線量を補正

Umeå UniversityとMedical University of Viennaの研究者らは、計算は高速だが近似度の高いペンシルビーム放射線量エンジンと、Monte Carlo計算に近い結果を得るニューラル補正器とのバランスを図るPyDoseRT Photonを提案した。システムはPyTorchでGPU対応の微分可能な物理エンジンを実装し、まずビーム品質、放射線深度、TERMAスケールに基づいて基礎線量を計算した後、データ駆動型の補正を段階的に加える。画像から線量場全体を大規模なブラックボックスネットワークで直接予測する方式ではない。

1つ目のニューラル事前分布は、約3万9,000パラメータの2次元fluence補正器である。2つ目はわずか48パラメータで、質量を保存するGaussian redistribution operatorにより横方向の組織不均質性を補正する。両者は凍結された物理エンジンを通じて学習され、学習完了後はパラメータも固定される。最後の136万パラメータの3D U-Netは、各control pointについて、beam’s-eye-view座標系の7チャネルから有界な乗算ゲインと加算残差を予測する。各学習段階ではゼロ初期化を採用し、学習開始時点を未補正の解析解と一致させることで、モデルが初期段階で物理的ベースラインを損なうリスクを抑えている。

MRI経路では、まずnnU-Netで合成CTを生成し、その後は同じ線量エンジンと補正器を使用する。論文では、ローカルのCT／MR検証セットにおけるplan MAEとしてそれぞれ0.0024と0.0047、1%／1 mmのgammaパス率として99.12%と96.95%を報告している。症例全体の計算時間はそれぞれ約46秒と49秒だった。これらの数値はDoseRAD2026チャレンジ向けの提出設定に基づくものであり、ランキングの採点では速度に高い重みが置かれている。そのため、臨床治療計画においてMonte Carlo法より優れていると直接解釈することはできない。

PyDoseRTの基礎エンジンとテストプログラムは公開されているが、研究概要からは、今回のPhotonモデルの重み、学習データ、完全な再現手順がすべて公開済みであることは確認できない。今後は、異なる装置や医療機関をまたぐ外部検証に加え、組織不均質性が極端な症例での検証が必要となる。また、解析コア、ニューラル事前分布、U-Netが誤差とレイテンシーにどの程度寄与するかを、それぞれ個別に測定する必要がある。