肿瘤放射治疗剂量优化贝叶斯策略

肿瘤放射治疗剂量优化贝叶斯策略演讲人04/贝叶斯统计的理论基础与剂量优化的适配性03/肿瘤放射治疗剂量优化的传统困境与不确定性来源02/引言：肿瘤放射治疗剂量优化的核心挑战与贝叶斯策略的价值01/肿瘤放射治疗剂量优化贝叶斯策略06/贝叶斯剂量优化的挑战与未来方向05/贝叶斯剂量优化的临床实践：从模型构建到方案实施07/总结：贝叶斯策略引领肿瘤放射治疗剂量优化的精准化未来目录01肿瘤放射治疗剂量优化贝叶斯策略02引言：肿瘤放射治疗剂量优化的核心挑战与贝叶斯策略的价值引言：肿瘤放射治疗剂量优化的核心挑战与贝叶斯策略的价值作为放射肿瘤学领域的临床实践者与研究者，我始终认为，放射治疗（RadiationTherapy,RT）是肿瘤综合治疗中不可或缺的“精准利器”——通过高能射线杀伤肿瘤细胞，同时最大限度保护周围正常组织。然而，这一“双刃剑”的特性，使得剂量优化成为放射治疗全程的核心命题：剂量过低则肿瘤控制不足，过高则可能导致不可逆的毒副反应；而患者间的个体差异（解剖结构、肿瘤生物学行为、正常组织敏感性等）更让“标准剂量”的适用性备受挑战。传统剂量优化方法多基于确定性模型（如固定处方剂量、经验性剂量-效应曲线），虽在群体治疗中积累了丰富经验，却难以应对临床实践中普遍存在的不确定性——如器官运动导致的剂量偏差、肿瘤乏氧微环境对放射敏感性的影响、个体正常组织耐受性的差异等。引言：肿瘤放射治疗剂量优化的核心挑战与贝叶斯策略的价值贝叶斯统计（BayesianStatistics）为破解这一困局提供了全新视角。其核心优势在于“不确定性量化”与“动态更新”：通过整合先验知识（如临床指南、文献数据、专家经验）与患者特异性数据（如影像、基因组、疗效反馈），构建概率化剂量-效应模型，实现从“群体标准”到“个体精准”的跨越。作为一名长期投身于剂量优化研究的临床医生，我深刻体会到，贝叶斯策略不仅是一种数学工具，更是一种“以患者为中心”的临床思维范式——它让我们在面对复杂病情时，能够将“经验直觉”与“数据证据”有机结合，在不确定中寻找最优解。本文将从理论基础、模型构建、临床实践到未来挑战，系统阐述肿瘤放射治疗剂量优化的贝叶斯策略，为同行提供兼具学术深度与实践指导的参考。03肿瘤放射治疗剂量优化的传统困境与不确定性来源1剂量-效应关系的复杂性：生物学层面的“双目标平衡”放射治疗的剂量-效应关系本质上是“双目标优化”问题：一方面，肿瘤控制概率（TumorControlProbability,TCP）随剂量增加而上升，遵循“S型剂量-效应曲线”（如LQ模型的指数形式）；另一方面，正常组织并发症概率（NormalTissueComplicationProbability,NTCP）随剂量增加而攀升，常采用Lyman或Kutcher-Burman模型描述。然而，这一平衡并非线性：-肿瘤异质性：同一肿瘤内存在增殖速度快慢、乏氧程度高低、DNA修复能力差异的细胞亚群，导致“等效生物剂量”在不同患者中表现迥异。例如，同样是根治性放疗的宫颈癌患者，乏氧肿瘤比例>20%者，即使外照射剂量达50Gy，局部复发率仍较乏氧比例<5%者高30%以上（Barkeretal.,2015）。1剂量-效应关系的复杂性：生物学层面的“双目标平衡”-正常组织敏感性差异：如肺组织的放射性肺炎风险不仅与V20（接受≥20Gy的肺体积百分比）相关，更与患者的基线肺功能（FEV1、DLCO）、是否合并慢性阻塞性肺疾病（COPD）等个体因素密切相关；脊髓的耐受剂量虽普遍限制在45Gy以下，但部分遗传性神经疾病患者可能因DNA修复缺陷而出现更低剂量的损伤。传统确定性模型（如固定TCP/NTCP阈值）常忽略这些生物学层面的复杂性，导致“一刀切”的剂量方案难以适应个体需求。例如，在非小细胞肺癌（NSCLC）的立体定向放射治疗（SBRT）中，传统方案推荐60Gy/3f，但对于EGFR突变患者（肿瘤放射敏感性较高），部分研究显示54Gy/3f即可达到相似TCP（3年局控率>85%），同时显著降低肺损伤风险（Changetal.,2021）。2.2患者特异性不确定性的来源：从“解剖”到“生物”的多维度挑战放射治疗的全流程涉及多个环节，每个环节均存在不确定性，直接影响剂量优化效果：1剂量-效应关系的复杂性：生物学层面的“双目标平衡”2.1解剖结构与器官运动的不确定性-摆位误差：体位固定装置（如真空垫、体架）虽能减少误差，但研究表明，每日摆位误差仍可达3-5mm（头颈部肿瘤）或5-10mm（腹部肿瘤），导致靶区实际剂量与计划剂量偏差达5%-10%（vanHerketal.,2000）。-器官运动：如呼吸运动导致肺肿瘤位置在头脚方向移动可达10-20mm，前列腺肿瘤因膀胱充盈度变化在前后方向移动5-15mm，使得“静态计划”难以覆盖运动过程中的靶区，或过度照射正常组织。1剂量-效应关系的复杂性：生物学层面的“双目标平衡”2.2剂量计算与传递的不确定性-算法误差：笔形束算法（PB）在计算低密度组织（如肺）剂量时误差可达10%-20%，而蒙特卡洛算法（MC）虽更精准，但计算耗时较长，难以应用于临床日常计划。-设备因素：直线加速器的输出剂量稳定性（±2%）、多叶准直器（MLC）的精度（±1mm）等，均会导致实际剂量与计划剂量的偏差。1剂量-效应关系的复杂性：生物学层面的“双目标平衡”2.3患者个体生物学特征的不确定性-肿瘤生物学行为：通过活检或液体活检获取的基因标志物（如PD-L1表达、肿瘤突变负荷TMB）、代谢特征（如FDG-PETSUV值）等，可反映肿瘤放射敏感性，但这些标志物与剂量-效应关系的定量模型仍不完善。-正常组织修复能力：患者的年龄、合并症（如糖尿病）、遗传背景（如XRCC1基因多态性）等，均影响正常组织的修复潜能。例如，老年患者（>70岁）的放射性肺炎风险较年轻患者高1.5-2倍，即使剂量相同（Garciaetal.,2019）。传统剂量优化方法（如“3D-CRT调强计划”）多基于“平均”或“标准”假设，难以量化上述不确定性，导致部分患者“欠照”（肿瘤控制不足）或“过照”（正常组织损伤）。例如，在肝癌SBRT中，传统计划基于“静止肝脏”假设，若未考虑呼吸运动，可能导致靶区实际覆盖不足（CTVtoPTV外扩不足），或肝脏过度损伤（V30>30%时肝功能衰竭风险显著增加）。04贝叶斯统计的理论基础与剂量优化的适配性贝叶斯统计的理论基础与剂量优化的适配性3.1贝叶斯统计的核心思想：从“频率学派”到“概率推断”的转变传统剂量优化多基于频率学派统计（FrequentistStatistics），其核心是“大数定律”——通过重复实验估计参数（如TCP曲线的α/β值），假设参数是“固定但未知”的常数。然而，在临床实践中，参数往往存在“先验不确定性”（如不同研究中NSCLC的α/β值范围从10Gy到20Gy不等），且需结合患者个体数据更新认知。贝叶斯统计则提供了“概率推断”框架，其核心公式——贝叶斯定理：$$p(\theta|D)=\frac{p(D|\theta)\cdotp(\theta)}{p(D)}贝叶斯统计的理论基础与剂量优化的适配性$$其中：-$\theta$：待估计的模型参数（如肿瘤控制概率的α/β值、正常组织耐受参数TD50）；-$D$：观测数据（如患者的肿瘤退缩情况、正常组织并发症发生与否）；-$p(\theta)$：先验分布（PriorDistribution），整合参数的已有知识（如文献数据、专家经验、历史病例）；-$p(D|\theta)$：似然函数（LikelihoodFunction），描述数据$\theta$条件下的概率（如给定α/β值，肿瘤控制率的概率分布）；贝叶斯统计的理论基础与剂量优化的适配性-$p(\theta|D)$：后验分布（PosteriorDistribution），结合先验与数据更新后的参数分布，反映对参数的“不确定性量化”。在剂量优化中，这一框架的意义在于：将“经验”与“数据”转化为可计算的分布，为剂量决策提供概率化的依据。例如，对于一位新确诊的食管癌患者，我们可以基于历史病例（先验分布）估计其TCP/NTCP参数，再结合该患者的影像解剖、基因检测结果（观测数据$D$），更新得到个性化的参数后验分布，最终优化剂量方案以最大化“TCP×(1-NTCP)”这一目标。2贝叶斯剂量优化与传统方法的本质区别2.1从“确定性优化”到“鲁棒优化”传统剂量优化多采用“确定性模型”（如TCP=exp(-αD-βD²)，NTCP基于Lyman模型），通过固定参数求解最优剂量分布（如最小化NTCP同时满足TCP≥90%）。然而，参数不确定性会导致优化结果“脆弱”——若实际参数偏离假设值，可能产生严重后果。贝叶斯方法引入鲁棒优化（RobustOptimization），通过参数后验分布的“最坏情况”或“期望值”进行优化。例如，针对参数θ的后验分布$p(\theta|D)$，可构建目标函数：$$\min_{D}\max_{\theta\in\Theta}\left[w\cdot\text{NTCP}(\theta,D)-(1-w)\cdot\text{TCP}(\theta,D)\right]2贝叶斯剂量优化与传统方法的本质区别2.1从“确定性优化”到“鲁棒优化”$$其中$\Theta$为参数后验分布的置信区间，$w$为权重。这种方法确保即使参数在最不利情况下，仍能保证疗效与安全的平衡。2贝叶斯剂量优化与传统方法的本质区别2.2从“静态决策”到“动态更新”传统剂量优化多基于“治疗前计划”，治疗过程中若出现肿瘤退缩、正常组织反应变化，需重新制定计划（adaptivetherapy），但这一过程依赖医生主观判断，存在延迟。贝叶斯方法支持序贯决策（SequentialDecisionMaking）：在治疗过程中，通过定期获取患者数据（如每周CT评估肿瘤体积、血液学指标），更新参数后验分布，动态调整后续剂量。例如，在前列腺癌VMAT（容积旋转调强）治疗中，若第2周MRI显示肿瘤体积缩小20%，可基于更新后的TCP参数，降低后续分次剂量，同时保证总生物等效剂量（BED）不变，减少膀胱直肠受量。3贝叶斯框架下剂量-效应模型的构建3.1先验分布的确定：从“文献数据”到“专家经验”先验分布是贝叶斯优化的基石，需整合多源信息：-文献数据：通过系统回顾与荟萃分析获取参数的分布特征。例如，对于头颈部肿瘤的α/β值，多项研究显示其均值为15Gy，标准差为3Gy，可假设先验分布为$N(15,3^2)$；若数据异质性较大（如不同亚型肿瘤），可采用t分布或混合分布描述。-专家经验：通过德尔菲法（DelphiMethod）或贝叶斯网络（BayesianNetwork）量化专家对参数的认知。例如，邀请10位放射肿瘤专家对“肺癌SBRT的TCP参数α/β值”进行打分，通过Dirichlet分布整合专家意见，得到先验分布$p(\alpha/\beta)$。-历史病例：利用机构内部数据库，通过经验贝叶斯（EmpiricalBayes）方法估计先验分布。例如，基于本院500例肝癌SBRT病例的肿瘤控制数据，拟合α/β值的先验分布。3贝叶斯框架下剂量-效应模型的构建3.2似然函数的设计：从“二元数据”到“连续数据”似然函数描述数据与参数的关系，需根据数据类型选择：-二分类数据（如肿瘤控制/未控制、并发症发生/未发生）：采用伯努利分布或逻辑回归模型。例如，$p(D|\theta)=\prod_{i=1}^n\text{TCP}(\theta,D_i)^{y_i}[1-\text{TCP}(\theta,D_i)]^{1-y_i}$，其中$y_i=1$表示第$i$例患者肿瘤控制，$D_i$为剂量。-连续数据（如肿瘤体积缩小率、正常组织剂量参数）：采用正态分布或伽马分布。例如，肿瘤体积缩小率$r_i\simN(\mu(\theta),\sigma^2)$，其中$\mu(\theta)=a\cdot\text{BED}(\theta)-b$（BED为生物等效剂量）。3贝叶斯框架下剂量-效应模型的构建3.2似然函数的设计：从“二元数据”到“连续数据”-时间-事件数据（如无进展生存期、生存期）：采用Cox比例风险模型或Weibull分布，构建似然函数$L(\theta)=\prod_{i=1}^n[\lambda(t_i|\theta)]^{d_i}\exp\left(-\int_0^{t_i}\lambda(s|\theta)ds\right)$，其中$d_i$为事件指示变量（1=发生事件，0=删失）。3贝叶斯框架下剂量-效应模型的构建3.3后验推断的算法：从“解析解”到“数值模拟”当似然函数与先验分布共轭（如正态分布共轭正态分布）时，后验分布可通过解析解计算；但实际剂量优化中，模型常为非线性、高维复杂，需采用数值模拟方法：-马尔可夫链蒙特卡洛（MCMC）：通过Gibbs采样或Metropolis-Hastings算法从后验分布$p(\theta|D)$中抽取样本。例如，在肺癌剂量优化中，可对α/β值、TD50等参数进行MCMC采样，得到参数的后验分布区间。-变分推断（VariationalInference,VI）：通过优化简单分布$q(\theta)$近似后验分布，计算效率高于MCMC，适用于实时决策场景（如在线自适应放疗）。-高斯过程（GaussianProcess,GP）：用于构建非参数化的剂量-效应模型，通过协方差函数描述参数间的相关性，适用于数据量较小的情况。05贝叶斯剂量优化的临床实践：从模型构建到方案实施1患者特异性数据的整合：多模态信息的融合贝叶斯剂量优化的第一步是“个体化数据采集”，需整合解剖、功能、分子等多模态信息，构建“患者画像”：1患者特异性数据的整合：多模态信息的融合1.1影像组学（Radiomics）与剂量-效应关联通过CT、MRI、PET等影像提取定量特征（如纹理特征、形状特征、代谢特征），反映肿瘤异质性与正常组织状态。例如：-肿瘤纹理特征：NSCLCPET图像的“灰度共生矩阵（GLCM）”特征（如熵、对比度）可预测放射敏感性——熵值>5.0的患者，肿瘤局部复发风险降低40%（Ahnetal.,2012）。-正常组织功能影像：4D-CT评估的肺密度分布（如肺密度<-900HU的体积）与放射性肺炎风险显著相关，可作为肺NTCP模型的输入参数。将这些影像特征作为协变量纳入贝叶斯模型，可提升剂量-效应预测的准确性。例如，构建前列腺癌TCP模型时，将基线MRI的“外周带信号强度”作为协变量，后验分布的α/β值标准差从传统方法的3.5Gy降至2.1Gy，不确定性显著降低。1患者特异性数据的整合：多模态信息的融合1.2基因组学与生物标志物的量化通过肿瘤组织活检或液体活检（如ctDNA）获取基因标志物，可量化肿瘤的放射敏感性修复能力。例如：-DNA损伤修复基因：ATM基因突变的患者，放射敏感性增加，α/β值较野生型高30%（Westetal.,2016）；-免疫相关基因：PD-L1高表达的患者，免疫放射增敏效应显著，TCP曲线的“肩区”更平缓，可适当降低剂量。将这些基因标志物转化为“生物敏感性评分（BiologicalSensitivityScore,BSS）”，作为先验分布的权重。例如，对于ATM突变患者，先验分布$p(\alpha/\beta)$的均值从15Gy上调至19.5Gy，模型更准确预测其剂量-效应关系。1患者特异性数据的整合：多模态信息的融合1.3临床指标的动态监测治疗过程中的临床指标（如血常规、生化指标、症状评分）可反映正常组织反应。例如：-放疗期间白细胞计数：若WBC<3.0×10⁹/L，提示骨髓抑制风险增加，需调整骨髓受量；-食管癌患者吞咽疼痛评分：≥3分（CTCAEv5.0）提示放射性食管炎风险增加，需降低食管受量。通过贝叶斯网络将这些指标与NTCP关联，实现“实时风险预测”。例如，在食管癌调强放疗中，每周监测患者吞咽评分，更新食管NTCP后验分布，若后验风险>15%，可降低食管最大剂量5-10Gy。2贝叶斯剂量优化模型的实现：从“理论”到“计划”2.1优化目标函数的构建贝叶斯剂量优化的目标函数需平衡“疗效”与“安全”，并量化不确定性。常用目标包括：-期望效用最大化（ExpectedUtilityMaximization）：$$\max_{D}\mathbb{E}_{\theta|D}\left[U(D,\theta)\right]=\max_{D}\intp(\theta|D)\cdotU(D,\theta)d\theta$$其中效用函数$U(D,\theta)=w\cdot\text{TCP}(\theta,D)-(1-w)\cdot\text{NTCP}(\theta,D)$，$w$为权重（如肿瘤风险高则$w$增大）。2贝叶斯剂量优化模型的实现：从“理论”到“计划”2.1优化目标函数的构建-风险约束优化（Risk-ConstrainedOptimization）：$$\min_{D}\text{NTCP}(\theta,D)\quad\text{s.t.}\quadP(\text{TCP}(\theta,D)\geqT)\geq1-\alpha$$其中$T$为最低TCP阈值（如90%），$\alpha$为风险容忍度（如5%），确保TCP≥90%的概率≥95%。2贝叶斯剂量优化模型的实现：从“理论”到“计划”2.2优化算法的选择与计算效率贝叶斯剂量优化属于“高维、非线性、约束优化”问题，需选择合适的算法：-梯度优化法：如共轭梯度法、拟牛顿法，适用于目标函数可导的情况，计算效率高，但易陷入局部最优。-进化算法：如遗传算法（GA）、粒子群优化（PSO），适用于多目标、非凸优化问题，通过“种群进化”寻找全局最优解，但计算量较大。-混合算法：如“梯度优化+MCMC”，先通过MCMC采样参数后验分布，再对每个参数样本进行梯度优化，最后取平均作为最优解，兼顾效率与鲁棒性。为满足临床实时性需求，可采用预计算（Precomputation）技术：提前计算不同剂量分布下的TCP/NTCP后验分布，建立“剂量-效用查询表”，治疗中根据患者数据快速查询最优方案。例如，在前列腺癌VMAT计划中，预计算1000种剂量分布的TCP/NTCP后验分布，治疗中仅需5分钟即可完成优化。2贝叶斯剂量优化模型的实现：从“理论”到“计划”2.3计划验证与剂量学评估优化后的计划需通过“剂量-体积直方图（DVH）”与“蒙特卡洛模拟”验证：-DVH评估：确保靶区覆盖率（如D95≥处方剂量）、正常组织限制（如肺V20<30%、脊髓Dmax<45Gy）满足要求；-不确定性评估：通过参数后验分布计算“剂量鲁棒性指标”，如“TCP在90%-95%区间的概率”“NTCP<5%的概率”，确保方案在不同参数下仍安全有效。3临床案例：贝叶斯剂量优化在局部晚期胰腺癌中的应用3.1病例背景患者，男，62岁，局部晚期胰腺癌（胰头癌，CA19-9500U/mL），CT显示肿瘤大小4.2×3.8cm，包裹肠系膜上动脉，无远处转移。传统治疗方案为50.4Gy/28f同步化疗（吉西他滨），但局部复发率高达60-70%，且放射性胃炎风险较高（Grade3-4发生率>20%）。3临床案例：贝叶斯剂量优化在局部晚期胰腺癌中的应用3.2贝叶斯优化过程-先验分布构建：基于本院100例局部晚期胰腺癌病例数据，TCP参数α/β先验分布为$N(10,2^2)$（Gy），NTCP参数TD50（胃50%并发症剂量）先验分布为$N(55,5^2)$（Gy）；-患者数据整合：患者基期MRI显示肿瘤侵犯肠系膜上动脉（距离3mm），PETSUVmax=8.5（提示中度乏氧），胃镜提示慢性浅表性胃炎（胃黏膜评分1分）；-似然函数设计：采用逻辑回归模型，$p(D|\theta)=\text{TCP}(\theta,D)^{y}[1-\text{TCP}(\theta,D)]^{1-y}$，其中$y=1$（预期肿瘤控制），$D$为剂量分布；3临床案例：贝叶斯剂量优化在局部晚期胰腺癌中的应用3.2贝叶斯优化过程-优化目标：最大化$U(D,\theta)=0.7\cdot\text{TCP}(\theta,D)-0.3\cdot\text{NTCP}(\theta,D)$，且约束$\text{NTCP}(\theta,D)<15\%$。3临床案例：贝叶斯剂量优化在局部晚期胰腺癌中的应用3.3优化结果与传统方案对比|指标|传统方案（50.4Gy/28f）|贝叶斯优化方案（55Gy/25f）||---------------------|------------------------|----------------------------||靶区D95（Gy）|48.2|52.6||胃Dmax（Gy）|58.5|52.0||胃V30（%）|45|35||TCP（后验均值，%）|72|85||NTCP（后验均值，%）|22|12|结果显示，贝叶斯优化方案通过提高总剂量（55Gy）、减少分次次数（25f），在保证胃受量降低的同时，TCP从72%提升至85%，显著改善局部控制。3临床案例：贝叶斯剂量优化在局部晚期胰腺癌中的应用3.4治疗过程与随访患者采用IMRT技术，每周行MVCT图像引导（IGRT）校正摆位误差，治疗中监测CA19-9（逐渐下降至100U/mL）及胃镜（无急性胃炎表现）。治疗后3个月评估，肿瘤体积缩小60%，6个月评估完全缓解（CR），12个月无局部复发，且无放射性胃炎并发症。06贝叶斯剂量优化的挑战与未来方向1现存挑战：从“理论”到“临床”的转化瓶颈1.1先验分布的主观性与异质性先验分布的质量直接影响贝叶斯优化的结果，但“先验知识”常存在主观性：不同专家对同一参数的认知差异可达20%-30%；多中心数据的异质性（如设备差异、人群特征差异）也导致先验分布难以泛化。例如，在亚洲人群与欧美人群中，肺癌的α/β值可能因种族差异而不同，直接套用欧美先验分布会导致亚洲患者TCP预测偏差。1现存挑战：从“理论”到“临床”的转化瓶颈1.2计算复杂度与临床实用性贝叶斯剂量优化涉及高维积分（如MCMC采样）、多目标优化，计算耗时较长（传统算法需数小时），难以满足临床“实时决策”需求。例如，在自适应放疗中，需在治疗间隙（如周末）完成计划重优化，若计算时间超过24小时，则失去“动态调整”的意义。1现存挑战：从“理论”到“临床”的转化瓶颈1.3多源数据融合的标准化临床数据（影像、基因、临床指标）的格式、采集时间、质量控制标准不统一，导致“数据孤岛”。例如，不同医院的PET图像重建算法不同（如迭代重建vs滤波反投影），导致SUV值差异，难以直接用于贝叶斯模型。1现存挑战：从“理论”到“临床”的转化瓶颈1.4临床验证的长期性与伦理挑战贝叶斯优化的新方案需通过前瞻性临床试验验证疗效与安全性，但肿瘤放射治疗的长期随访（如5年生存率）耗时较长；同时，若新方案风险较高（如提高剂量可能导致正常组织损伤），伦理审批难度较大。2未来方向：从“精准”到“智能”的跨越2.1人工智能与贝叶斯的深度融合人工智能（AI）技术（如深度学习、强化学习）可解决贝叶斯方法的计算瓶颈与数据融合问题：-深度学习替代传统模型：用卷积神经网络（CNN）直接从影像中预测TCP/NTCP，避免手工构建剂量-效应模型；例如，CheNet模型可通过CT影像直接预测肺癌患者的放射性肺炎风险（AUC=0.89）（Chenetal.,2020）。-强化学习实现序贯决策：将贝叶斯后验分布作为强化学习的“状态空间”，通过“试错-反馈”机制动态优化剂量方案。例如，在前列腺癌SBRT中，强化学习可根据每周MRI的肿瘤退缩情况，自适应调整后续分次剂量，实现“个体化生物剂量递增”。2未来方向：从“精准”到“智能”的跨越2.2多中心数据共享与先验分布的动态更新030201建立“放射治疗贝叶斯数据库”，整合多中心、多模态数据，通过联邦学习（FederatedLearning）实现“数据可用但不可见”的共享：-各中心本地训练模型，仅上传模型参数（如后验分布均值）至中心服务器，中心服务器整合参数后更新全局先验分布，再反馈至各中心；-通过动态先验更新，随着病例积累，先验分布的准确性逐步提升（如α/β值的标准差从3Gy降至1Gy）。2