本节摘要:疗效与毒性,一个都不能只说"感觉"。肿瘤控制概率(TCP)与正常组织并发症概率(NTCP)把两者分别翻译成剂量的函数:两条 S 形曲线之间的窗口,就是放疗方案可以施展的"治疗比"。本节讲清模型的生物学假设、参数含义与几何直觉,以及它们在计划评估、临床试验设计中的实际用法与陷阱。
TCP 模型的底层假设朴素而锋利:肿瘤的控制取决于是否一个克隆源性细胞都没剩下——只要还有一个具备无限增殖能力的细胞幸存,复发只是时间问题。把 LQ 模型给出的单个细胞存活分数,乘上克隆源性细胞总数(数量级可达一千万到上亿,与肿瘤大小相关),再用泊松统计算"零存活"的概率,就得到 TCP 关于剂量的 S 形曲线:低剂量区几乎平坦(总有不少幸存者),越过拐点后陡然爬升,高剂量区趋于 1 但永不抵达。曲线的斜率藏着两个临床事实:其一,肿瘤异质性(克隆数、乏氧、敏感性差异)会把曲线"摊平"——同类肿瘤的 TCP 差异比教科书大得多;其二,剂量每多 1 Gy 在陡段换来的控制率提升,与在平坦段几乎是两回事——"加量"有没有用,取决于你站在曲线的哪一段。NTCP 的构造思路平行:把各器官的剂量-体积数据经过 LQ 折算,套上参数化的损伤函数(主流的有 Lyman 类模型,把"多大体积受到多高剂量"折算成并发症概率),输出另一条 S 形曲线——低剂量平坦,越过耐受拐点后陡升。

模型的价值不在预测精确到个位数,而在三件工程活。第一是方案比较:同一患者两个计划,各自算 TCP 与 NTCP,净收益一目了然——这是自适应放疗里"要不要换计划"的量化依据。第二是剂量升级的安全边际:历史上有名的剂量爬坡试验,靠的就是 NTCP 模型预估"再加 10 Gy 并发症概率增加多少"来设计梯度。第三是临床试验的终点设计:把疗效差异换算成预期的 TCP 平移,可以反推试验所需样本量。陷阱同样要认领:参数来自历史人群,跨人群、跨技术(比如从常规分割换到大分割)直接套用会出错;NTCP 里的"并发症"定义高度依赖随访与判读标准;TCP 假设的"克隆源性细胞数"基本无法实测,只能反推。所以工程文化是把模型当"结构化的经验"用——每一项参数都注明出处与适用域,预测与随访定期对账。
给模型一个数字锚点。以早期肺癌的立体定向放疗为例,文献中常用的处理方式是把 BED10 与局控率对应起来:BED10 低于约 60 Gy 时,局控率随剂量爬坡尚不充分;BED10 达到 100 Gy 上下时,多数报告的三年局控率进入九成左右的高台区;继续加量,曲线进入高位的平坦段,收益边际骤减而正常组织账继续上行。读法有三条。第一,拐点的存在意味着"剂量爬坡"并非永远有利——站在平台段加量,是用确定的毒性换边际的收益。第二,曲线位置是人群的:同为"早期肺癌",肿瘤大小、位置(贴近中央气道的方案要保守)、患者的器官储备都会平移或摊平曲线,文献曲线是起点不是判决。第三,NTCP 侧同理:同一器官的并发症曲线在不同基础疾病(如肺纤维化背景)下位置不同,计划评估时"该患者的 NTCP"永远比"平均 NTCP"重要。两个模型加起来,把"方案好不好"从审美判断变成三问:TCP 站在曲线哪一段、NTCP 距离拐点多远、两问的答案对这位患者是否成立。
它们是同一根链条上的三级换算。BED 处理细胞层面:把不同分割的杀伤折算成等效剂量;TCP 处理肿瘤群体层面:把 BED 换算成"全部克隆被消灭"的概率;NTCP 处理正常组织层面:把剂量-体积分布换算成并发症概率。流程上是单向喂给:方案参数算 BED,BED 加克隆数算 TCP,剂量分布加器官模型算 NTCP,最后把 TCP 与 NTCP 并排看治疗比。理解了链条,就理解了为什么模型参数(α/β、克隆数、器官耐受参数)的个体化如此关键——每一级换算都在放大上游参数的偏差,源头平均一天,终端误差放大到处方。
TCP 与 NTCP 的家谱值得一提,因为它解释了模型的脾气。TCP 框架成型于二十世纪六七十年代(索嫩布林克与门德尔的泊松模型是经典起点),NTCP 的参数化(Lyman 的剂量-体积直方图约简与后来的 Kutcher 修正)则在八九十年代定型——两者都是"用少量参数概括大人群数据"的产物,天生带着统计平均的性格。它们的边界因此清晰:第一,人群模型的个体外推要谨慎——曲线给出的是"像这样的患者"的典型行为,不是"这位患者"的保证;第二,终点定义强依赖时代——老队列的毒性判读标准与现代影像判读不同,直接对比有偏差;第三,模型不含时间动力学——标准 TCP/NTCP 是终点概率,疗程中的动态变化(肿瘤退缩、体重下降、乏氧漂移)要靠自适应放疗的扩展模型补课。所以现代工程把它们定位成"决策的脚手架":在缺乏更好证据时提供结构化参考,在有新证据时随时让位。这个定位本身就是这门学科成熟的标志——第 2 章靶学说教会我们的:模型的失效区不是耻辱柱,而是下一代模型的施工图。
把模型放回放疗科的一个普通工作日,看它们如何参与决策。上午,一位患者的治疗计划完成,物理师运行评估:剂量分布先过物理检查(靶区覆盖、热点冷点),再过模型检查——TCP 估计值与历史同类方案对照,NTCP 对脊髓、肺、心等器官逐项出数,与科室约束值比对。下午,医师审计划:某器官的 NTCP 略高于偏好值但低于硬限,医师结合该患者的基线功能(已有轻度肺纤维化病史)下调了评估的从容度,要求改计划降剂量。改后的计划 TCP 掉了不到一个百分点、NTCP 显著回落——接受。这个过程里,模型没有替任何人做决定,但把每个决定从"感觉"变成了"带数字的讨论"。这也回答了一个常见疑问:有了 AI 与模型,医师做什么?答案是做模型外的那部分——把这位患者的合并症、生活状态、治疗目标与模型的群体语言对接起来。模型管平均,人管例外;计划评估的一天,就是这套分工的日常排练。
下一节看最后一重联手:放疗与化疗、靶向、免疫的化学关系——协同与互害的边界由时间、空间、剂量三个坐标共同划定。