说明：本文内容仅限于学术交流和学习之用，不涉及对任何技术、产品、以及临床治疗的推广、推荐和偏见。
文献来源：王强，肖青，白龙，宋莹，柏森，章毅，李光俊，胡俊杰．基于人工智能的精准放射治疗[J/OL]．中国普外基础与临床杂志.
https://link.cnki.net/urlid/51.1505.R.20250716.1424.024
系统综述人工智能（artificial intelligence，AI）在放射治疗关键环节中的应用进展，探讨其技术创新与临床实践的融合潜力，并分析当前面临的主要问题。
放射治疗是一把双刃剑，在杀伤肿瘤细胞的同时，也在一定程度对正常组织或器官产生急性或慢性放射性损伤，影响治疗效果，降低患者的生存质量。
放射治疗方案需要针对患者病情制定，其核心目标是，在精准摧毁肿瘤组织的同时，最大限度保护周围健康组织或器官。
随着IMRT、IGRT、SBRT等技术的发展，治疗精准度需求呈指数级增长，传统基于人工经验的诊疗模式面临效率瓶颈与个体化不足的双重挑战。
人工智能在影像诊断、疾病检测、模式识别、智能决策辅助等方面展现出卓越性能。
放射治疗过程中需要依赖大量影像信息、复杂参数调整和精确剂量控制，与AI 强大的影像数据处理和自动优化能力相契合。
随着AI 逐步融入放射治疗流程，治疗方式正在从传统依赖经验的模式转向更高效、更精准的智能化路径，进一步推动放射治疗的个体化发展。
当前，AI 在放射治疗领域的应用正逐步由基础研究阶段迈向临床融合，在提升治疗效率和推动个体化治疗方面展现出显著潜力。
1 基于AI 的影像重建
以深度学习为代表的AI方法，在肿瘤放射治疗相关医学影像的重建与处理中展现出显著技术优势和临床应用潜力。
放射治疗过程中，频繁的影像采集导致患者的累积辐射剂量显著增加。
磁共振成像在放射治疗中具有重要价值，但它无法直接用于剂量计算。
深度学习模型通过构建复杂的非线性映射关系，具备提升图像质量与分辨率、去除伪影、影像模态转换以及实现快速、低剂量图像重建的能力，为优化放射治疗图像处理流程提供了全新路径。
1.1 低剂量图像重建
在低剂量图像重建方面，生成对抗网络（GAN）等深度学习框架被广泛应用于常规CT 与锥形束CT 图像增强任务中。
1.2 金属伪影校正
除低剂量图像重建外，深度学习技术在CT 金属伪影校正方面亦展现出优越性能。考虑到金属伪影会干扰靶区勾画和剂量计算，其校正对提升放射治疗精度尤为关键。
1.3 合成CT 生成
MRI 缺乏电子密度信息，无法直接用于剂量计算，需转换为CT图像以满足自适应计划需求。深度学习方法被广泛应用于合成CT 生成。
2 基于AI 的危及器官和靶区勾画
传统人工勾画在处理大体积三维医学图像时面临效率低、重复性差等挑战。
有研究者报道，完成单例患者的结构勾画通常需耗时50～130 min。
计算机辅助图像分割的早期主要依赖于传统方法，但在复杂解剖结构识别与边界精细定位方面仍存在明显不足，难以满足高精度放射治疗的临床需求。
2.1 深度学习驱动的自动勾画技术现状
随着深度学习技术的兴起，基于卷积神经网络（CNN）的分割模型在医学图像处理领域展现出显著优势。
2.2 危及器官自动勾画的临床应用进展
Dice 相似系数是一个评估勾画精度的常用指标，其值域为0～1，表示自动勾画与金标准之间的重叠程度，数值越接近于1 表明一致性越好。
对于边界清晰、结构稳定的实质性器官（如肺、肝、肾），基于深度学习的自动勾画模型（简称“勾画模型”）已能够实现接近人工标注的勾画精度。
基于深度学习的自动勾画技术是当前放射治疗中发展最为成熟的AI 应用。
2.3 靶区自动勾画的临床应用进展
在器官勾画技术取得显著进展的基础上，靶区的精确勾画也成为研究重点。
在头颈部针对鼻咽癌的研究中，基于深度学习的自动勾画方法在鼻咽癌的体积、边界及形状勾画中可实现与人工勾画高度一致的结果，并在多中心数据中展现出良好的稳定性与泛化能力。
靶区勾画是当前自动化勾画研究的核心方向，其主要价值在于提高临床效率并减少观察者间的差异。
2.4 基于深度学习的自动勾画技术技术局限
尽管自动勾画技术取得显著进展，但它在临床应用中仍主要聚焦于危及器官的勾画，而靶区的自动勾画尚处于研究或临床试验阶段，尚未在常规临床中广泛应用。
值得强调的是，自动勾画技术无法完全替代临床医师的专业判断，在商业自动勾画系统全面纳入临床工作流程之前，医务人员需接受系统培训，充分了解其应用局限性，以保障临床安全。
3 基于AI 的放射治疗计划自动设计
放射治疗计划设计的核心在于，靶区与危及器官之间的剂量分布，通过迭代优化实现临床目标平衡。
当前临床常用的调强放射治疗依赖逆向优化策略，由物理师设定剂量约束并由计算机生成计划。尽管算法优化在一定程度上降低了人工负担，但整体流程仍耗时较长，且计划质量在不同人员及机构之间差异显著。
3.1 剂量预测模型
现有方法主要包括基于图谱的知识迁移和基于深度学习的预测建模。
3.1.1 基于图谱的知识迁移
知识驱动的计划（KBP）系统属于基于图谱的知识迁移，它是通过机器学习方法（如支持向量回归、K 近邻等）分析患者几何特征与历史高质量计划，建立剂量参数与解剖结构的映射关系，实现对新患者剂量分布的预测。
研究表明，KBP 系统可缩短计划时间、降低个体差异，并提升整体质量。然而，KBP 系统通常仅输出有限的剂量学参数，难以直接反映三维剂量分布。
3.1.2 基于深度学习的预测建模
深度学习驱动的剂量预测方法能够自动提取CT、MRI等影像的体素级特征，将解剖结构与剂量处方映射为三维剂量分布，为放射治疗计划系统提供更优的剂量初始条件。
研究表明，基于多模态数据的融合能够显著提升模型对复杂剂量分布模式的建模能力，从而优化预测结果的几何准确性和临床适用性。
3.2 基于深度学习的计划生成
仅依赖剂量预测无法直接生成可执行方案，仍需通过逆向优化，将预测结果转化为满足临床约束的治疗计划。
利用深度学习直接将剂量分布转化为可执行计划是未来的一个发展方向。
近年来，强化学习因它与放射治疗计划设计流程的高度契合性而受到广泛关注，逐渐成为自动计划设计领域的重要研究方向。
强化学习通过智能体与环境的交互，不断学习最优策略，其动态优化机制天然契合放射治疗计划中参数迭代调整的过程。
在该应用场景中，剂量分布可被视为环境状态，参数调整对应智能体的动作，而计划质量评价则构成奖励信号，由此形成一个闭环的决策优化系统。
3.2.1 基于值函数的强化学习方法
现有研究多采用基于值函数的强化学习方法，尤其以深度Q网络为代表，其相关应用主要可分为两类：
3.2.2 基于策略的强化学习方法
该类方法在处理高维、连续动作空间时具有天然优势，展现出直接生成可执行放射治疗计划的潜力。
相比传统方法，强化学习在解空间探索中具备跳出局部最优的能力，能够自主寻优，挖掘更优参数组合。
需要指出的是，强化学习当前仍面临若干挑战，如训练样本依赖性强、收敛稳定性差以及临床可解释性和可部署性尚待提高。
当前KBP 系统技术已较为成熟，部分厂商已将此集成至放射治疗计划系统中并在临床中实现常规应用。
基于深度学习的神经网络方法仍主要处于研究阶段，多数模型在数据泛化能力、预测结果临床解释性以及集成进放射治疗系统的可部署性方面尚待进一步突破。
KBP 系统的建模逻辑相对透明，而深度学习模型 “黑箱”特性、对大样本训练数据的依赖性以及对异常结构的鲁棒性仍是其进一步临床转化和商业化的障碍。
4 AI 在预测放射治疗毒副反应中的应用
与传统统计模型相比，AI 算法能够自动提取和融合大量异构数据中的复杂放射生物学特征，从而实现更精准的个体化毒性风险预测。
5 AI 在放射治疗应用中面临的挑战与展望
5.1 当前面临的挑战
在放射治疗实践中引入AI 系统，面临着模型泛化能力有限、数据质量不一、伦理法律框架不完善等多重挑战。
在临床应用AI 系统时，应高度重视“AI 偏倚”现象，即医护人员因过度信赖AI 输出而减少自主判断。
5.2 未来加强发展的方向
6 结语
要实现AI 在临床中的广泛部署，仍需在模型稳定性、伦理合规性、数据获取、临床集成等方面的系统性突破。
————END————
推荐阅读
快来关注我吧！
