有句话说，“一个人的思想就像是一座冰山，自己能意识到的只是很小一部分，其他大部分都埋在脑海深处，只有通过思考和写作，才能把它们发掘出来。” 基于此，开始多写一点东西。
H&N Patients CTV to PTV Margin
CTV到PTV的外放一般是通过确认治疗计划设计与执行阶段两个过程中的系统性误差(∑）和随机性误差(σ)计算得到。所以不同的放疗中心，应该有不同的Margin。这篇研究对比了通过分析自己中心的头颈部肿瘤数据与文献的数据进行了对比。
自己的数据来自77例患者，根据每日机载影像在三个方向上的偏移算出来：ML（左右）、AP（前后）、SI（头脚）。作者通过Van Herk's 的公式带入这三个值，进行计算三个方向不同的外扩。三个方向分别是6.5mm，2.9mm,2.6mm，PTV三维外扩为6.5mm，与文献中的相匹配（7.2mm）
乳腺癌免疫联合放疗的顺序
红皮一篇文章系统回顾了目前研究免疫治疗+放疗在乳腺癌上的临床研究情况，目前免疫治疗已经成为转移性乳腺癌的一个治疗选择，另外一方面，在放疗领域，中/超短程放疗也在辅助放疗领域进展快速，放疗可以调节肿瘤微环境，并产生远隔效应，因此如何联合两者的优势成为大家研究的热点。目前放疗界还缺乏这样的临床证据，目前有12项临床研究，9个纳入了转移性乳腺癌患者，主要是I/II期临床研究，样本量也很小（8-28），目前的证据是两者联合至少是安全的，有一项涉及围手术期（Perioperative Setting) 的安全有效性研究。
基于深度学习的DIR不确定性分析
DIR在在线自适应放疗中主要用于勾画形变以及剂量累积，但是不同算法的一致性（给出的形变结果是不同的！）让人不禁对DIR算法的准确性表示怀疑，所以这项研究就是用深度学习方法来预测DIR的准确性，采用监督学习和非监督神经网络来预测给定DVF形变场的Gaussian不确定性（文章中给出了公式定义，可以用来描述DVF的不确定性，）。数据是基于DIRLAB的数据集，里面有手动标注的标记点来作为Ground Truth. 作者用了五种不同的DIR算法进行测试，包括Velocity。结果基于形变场勾画的偏差在3%以内，不同算法的概率剂量累积（DVHs）包括了95%的DVHs， 高斯方法是一种有效评估DIR不确定度的方法。
作者说，DIR算法的准确性很大程度上依赖正则化的强度（Regularization Strength), 而不同的组织类型需要不同的正则化强度，所以更好的方式是依据不同部位训练不同的模型，从不同的算法对比看，预期校准误差（Expected calibration error, ECE) 和DVH平均包含的体积分数（EVF）是差不多的（具体可查看文章中的C1,C2表）
采用放射组学的方法依赖预测口咽癌什么时候改野
很有趣的一篇文章，因为包括口咽癌在内的头颈部肿瘤，都需要在疗程中改野（因为肿瘤退缩，放化疗同步造成的体重下降、水肿，这些症状造成25%患者需要改野），而改野又特别花费时间（往往需要1-2周重新计划设计），在这期间，采用原来的方案会对正常组织造成更大的毒性。如果患者还剩几次就昨晚了，临床上也就放弃改野了，这其实对患者治疗并不有利，很多研究也在如何降低患者的等待时间，优化科室资源进行探索。目前没有预后的因素可以预测一个患者是否需要进行改野，所以这篇文章基于定期扫描的CT影像来预测。放射组学特征的计算采用的是PyRadiomics软件，包括原发灶、淋巴结、双侧腮腺，随机森林算法用于特征的筛选。结果：25%（78位）患者都需要进行至少一次改野，吸烟史、淋巴结分期、舌根部和喉部的平均剂量与改野直接相关。用AUC曲线来评估预测的准确度。
