醫療 AI 與物理導向學習
PyDoseRT Photon 以可微分物理引擎加小型神經先驗修正放療劑量
新研究把 GPU 鉛筆束計算、兩個凍結神經先驗與 136 萬參數 3D U-Net 串成 CT／MRI 共用流程。內部資料的 1%／1 mm gamma 通過率最高達 99.12%，但尚未構成跨醫院或臨床用途驗證。
Umeå University 與維也納醫科大學研究人員提出 PyDoseRT Photon，嘗試在速度較快但近似程度較高的鉛筆束放射劑量引擎，與接近蒙地卡羅計算結果的神經修正器之間取得平衡。系統以 PyTorch 實作 GPU 可微分物理引擎，先依射束品質、放射深度與 TERMA 尺度計算基礎劑量，再逐層加入資料驅動修正，而不是直接用大型黑箱網路從影像預測完整劑量場。
第一個神經先驗是約 3.9 萬參數的二維 fluence 修正器；第二個僅有 48 個參數，以保持質量的高斯重新分布算子校正橫向組織異質性。兩者透過凍結的物理引擎訓練，完成後也固定參數。最後的 136 萬參數 3D U-Net 針對每個 control point，在 beam’s-eye-view 座標中從七個通道預測有界乘法增益及加法殘差。各學習階段採零初始化，使訓練起點等同未修正的解析解，減少模型一開始破壞物理基線的風險。
MRI 路徑先用 nnU-Net 合成 CT，再沿用相同劑量引擎與修正器。論文在本地 CT／MR 驗證集分別報告 0.0024、0.0047 的 plan MAE，以及 99.12%、96.95% 的 1%／1 mm gamma 通過率；完整案例運算約需 46 與 49 秒。這些數字來自 DoseRAD2026 挑戰導向的提交設定，而且排名計分對速度給予較高權重，不能直接解讀成臨床治療計畫優於蒙地卡羅方法。
PyDoseRT 基礎引擎與測試程式已公開，但研究摘要未證明本次 Photon 模型權重、訓練資料及完整重現流程均已釋出。下一步應觀察跨機型、跨醫院與極端組織異質案例的外部驗證，並分別量測解析核心、神經先驗及 U-Net 對誤差與延遲的貢獻。