人工智能在放射治疗计划中的应用研究综述

人工智能在放射治疗计划中的应用研究综述一、放射治疗计划的传统困境与AI介入的核心逻辑放射治疗是恶性肿瘤治疗的核心手段之一，据世界卫生组织统计，约70%的肿瘤患者在病程的不同阶段需要接受放射治疗，其根本目标是通过精准的辐射剂量投照，最大化杀灭肿瘤靶区的同时，最大限度保护周围危及器官（OAR），进而提升患者的局控率与生存质量。传统放射治疗计划的制定高度依赖物理师的人工经验，通常需要经历靶区勾画、剂量计算、计划评估与优化等多个环节，单例复杂病例（如头颈部肿瘤、多靶点脑转移瘤）的计划设计耗时可达4-8小时，且不同物理师、不同医疗机构之间的计划质量存在显著差异：有研究显示，即使在同一中心的同一病种病例中，人工计划的靶区适形度指数差异可达15%-20%，危及器官受量的波动最高可达30%，这种差异直接导致部分患者出现放射性肺炎、口干、吞咽困难等严重不良反应。人工智能技术的介入恰好瞄准了传统放疗计划的两大核心痛点：效率瓶颈与质量异质性。基于深度学习、影像组学、强化学习等技术的AI模型能够通过学习海量高质量临床计划的特征，实现靶区自动勾画、剂量自动预测、计划自动优化等全流程的智能化辅助，将单例计划的设计时间压缩至分钟级，同时缩小不同机构、不同经验水平物理师之间的计划质量差距。截至2025年，全球已有超过30款AI放疗计划相关产品获得FDA或NMPA认证，覆盖头颈部、胸部、腹部、盆腔等多个解剖部位，AI辅助放疗计划的临床渗透率在三级甲等肿瘤专科医院已接近40%，成为放疗领域数字化转型的核心方向。二、AI在放射治疗计划各环节的技术应用进展（一）基于深度学习的靶区与危及器官自动勾画靶区与危及器官勾画是放疗计划的首要环节，勾画的准确性直接决定后续剂量分布的合理性。传统人工勾画需要物理师逐层读取CT、MRI等多模态影像，标注肿瘤靶区（GTV、CTV、PTV）与周围正常器官，单例头颈部肿瘤病例的勾画时间通常需要2-3小时。当前AI自动勾画技术主要采用基于卷积神经网络（CNN）的分割模型，包括U-Net、V-Net、MaskR-CNN以及近年兴起的大语言视觉模型（VLM），通过学习数万例已标注的多模态影像数据，实现器官与靶区的自动识别与分割。在危及器官勾画方面，AI模型的表现已经接近甚至超过资深物理师水平：2024年发表于《InternationalJournalofRadiationOncology,Biology,Physics》的多中心研究显示，针对头颈部24个常见危及器官，AI自动勾画的Dice相似系数（DSC）平均值达到0.92，其中腮腺、脊髓、脑干等结构的DSC超过0.95，与从业5年以上物理师的人工勾画结果无统计学差异，勾画时间仅为人工的1/10。在靶区勾画方面，由于肿瘤形态的异质性、周围组织浸润的复杂性，AI模型的表现仍存在一定挑战，但针对特定病种的专用模型已经取得突破：针对肺癌的AI靶区勾画模型在结合PET-CT多模态影像后，GTV勾画的DSC可达0.89，能够有效识别常规CT中难以区分的肺不张与肿瘤组织；针对前列腺癌的MRI辅助AI靶区勾画模型，CTV的勾画准确率较人工提升12%，显著降低了靶区漏照的风险。值得注意的是，当前AI自动勾画技术正在从单模态向多模态融合方向发展，通过整合CT、MRI、PET、功能影像等多维度信息，进一步提升对微小病灶、浸润边界的识别能力。2025年最新的研究显示，结合扩散加权成像（DWI）与灌注成像参数的AI模型，能够有效区分胶质瘤术后残留病灶与术后水肿区域，靶区勾画的敏感度较单纯CT模型提升18%，为精准放疗提供了更可靠的边界依据。（二）基于剂量预测模型的放疗计划自动优化传统放疗计划优化是一个反复试错的过程，物理师需要不断调整剂量约束参数，评估靶区覆盖率与危及器官受量，直到满足临床要求，这一过程通常占据计划设计60%以上的时间。AI剂量预测模型的核心价值在于能够直接根据患者的解剖结构、靶区位置与处方剂量要求，预测出最优的三维剂量分布，为后续计划优化提供明确的目标，大幅减少试错成本。当前主流的剂量预测模型分为两类：一类是基于生成式对抗网络（GAN）的模型，通过生成器输出预测剂量分布，判别器判断其与临床高质量计划的相似度，经过对抗训练后输出的剂量分布能够同时满足靶区适形度与危及器官保护的要求；另一类是基于扩散模型的剂量预测，相比于GAN模型，扩散模型能够生成更稳定、更符合临床实际的剂量分布，尤其是在复杂病例中表现更优。2024年的一项针对局部晚期宫颈癌的研究显示，AI预测的剂量分布与临床最优人工计划的剂量分布差异小于3%，基于AI预测剂量生成的自动计划中，92%的病例能够直接满足临床要求，无需物理师二次调整，计划设计时间从平均3小时缩短至15分钟。在计划自动优化方面，强化学习技术的应用进一步提升了AI的自适应能力。强化学习模型能够模拟物理师调整优化参数的过程，将“靶区覆盖率达标、危及器官受量低于阈值”作为奖励函数，通过不断迭代调整优化参数，自动生成符合临床要求的计划。针对多靶点脑转移瘤的立体定向放射外科（SRS）计划，强化学习模型能够在10分钟内完成多个靶点的剂量分布设计，靶区适形度指数比人工计划平均高0.08，同时脑干、视神经等关键器官的最大受量平均降低2.3Gy，显著提升了复杂SRS计划的设计效率与质量。（三）AI在放疗计划质量评估与质控中的应用放疗计划的质量评估是保障治疗安全的关键环节，传统人工评估依赖物理师的经验判断，容易出现对潜在剂量问题的漏判。AI驱动的计划质量评估工具能够从多个维度对计划进行自动化量化评估，识别出人工容易忽略的剂量热点、靶区冷点以及危及器官受量超标问题，同时给出具体的优化建议。2025年投入临床应用的一款AI计划质控系统，能够自动提取计划中的42项剂量学参数，包括靶区的D98、D50、D2，危及器官的Dmax、Dmean、Vx等，与同病种的大样本临床计划数据库进行对比，自动给出计划质量的百分位排名，对排名低于30%的计划自动提示优化方向。临床应用数据显示，该系统能够识别出98%的不合格计划，比人工质控的漏检率降低75%，质控时间从平均20分钟/例缩短至2分钟/例。此外，AI模型还能够预测放疗计划的临床预后效果，通过整合剂量分布参数、患者的临床特征、基因标志物等信息，预测患者的局控率与放射性不良反应发生风险，帮助临床医生选择最优的治疗方案。一项针对非小细胞肺癌放疗的研究显示，结合剂量组学与临床特征的AI预后模型，对2年放射性肺炎的预测AUC值达到0.87，能够提前识别高风险患者，为后续的个体化干预提供依据。三、AI放疗计划的临床应用挑战与技术瓶颈尽管AI在放疗计划中的应用已经取得显著进展，但在大规模临床落地过程中仍面临多方面的挑战。首先是模型的泛化性问题：当前多数AI模型都是基于单中心、特定设备的影像数据训练，当应用于其他中心的不同设备、不同扫描参数的影像时，模型性能会出现明显下降，即“域偏移”问题。有研究显示，在A中心训练的头颈部危及器官勾画模型，直接应用于B中心的CT影像时，平均DSC会从0.92下降至0.81，部分小器官的勾画精度甚至不符合临床要求。如何提升模型对不同设备、不同扫描协议、不同人群的适应性，是AI模型规模化应用需要解决的首要问题。其次是AI计划的可解释性不足。深度学习模型的“黑箱”特性使得物理师难以理解AI生成剂量分布的决策逻辑，当AI计划与人工经验存在差异时，物理师难以判断其合理性，增加了临床应用的顾虑。例如部分AI生成的计划虽然满足剂量学参数要求，但剂量分布的形态与常规人工计划存在差异，物理师往往需要花费更多时间评估其安全性，反而抵消了AI带来的效率提升。近年来，可解释人工智能（XAI）技术逐渐被应用于放疗领域，通过梯度加权类激活映射（Grad-CAM）、注意力机制可视化等方法，展示AI模型勾画靶区、预测剂量时关注的解剖区域特征，提升临床人员对AI结果的信任度，但相关技术仍处于研究阶段，尚未形成成熟的临床应用方案。第三是监管与规范体系的不完善。当前AI放疗计划产品的临床应用缺乏统一的评估标准，不同厂商的模型性能差异较大，且缺乏长期的临床安全性数据。AI计划的责任归属问题也尚未明确：如果AI生成的放疗计划出现剂量偏差导致医疗纠纷，责任应由AI厂商、医疗机构还是操作的物理师承担，目前仍没有明确的法律界定。此外，AI模型的持续更新迭代也给监管带来挑战，当模型训练数据增加、算法升级后，是否需要重新进行临床验证，现有监管流程仍没有明确的规定。四、AI在放射治疗计划中的未来发展方向面向未来，AI放疗计划技术将朝着全流程智能化、自适应、个体化的方向发展。首先是多模态大模型在放疗领域的应用，基于多模态大模型的放疗计划系统能够整合影像、文本、剂量、临床数据等多维度信息，实现从影像阅片、靶区勾画、计划设计到疗效评估的全流程端到端智能辅助，无需针对不同环节开发独立模型，进一步提升系统的易用性与准确性。2025年发布的首个放疗专用多模态大模型，已经能够实现基于自然语言交互的计划调整，物理师只需要输入“降低左侧腮腺受量10%”的指令，模型即可自动调整优化参数，生成符合要求的计划，大幅降低了AI系统的使用门槛。其次是自适应放疗中的AI实时应用。自适应放疗需要根据患者每次治疗时的影像变化，实时调整放疗计划，以适应肿瘤退缩、器官位移等变化，这对计划设计的速度提出了极高的要求。AI技术能够将计划调整时间从小时级缩短至秒级，实现真正的在线自适应放疗：患者在治疗床上拍摄锥形束CT（CBCT）后，AI模型能够在30秒内完成靶区与危及器官的重新勾画、剂量重新计算与计划调整，确保每次治疗的剂量分布都符合当前的解剖结构，进一步提升放疗的精准性。目前已有相关产品进入临床试验阶段，预计2027年将正式投入临床应用。第三是AI与生物标志物的结合，实现真正的个体化放疗。当前的放疗计划主要基于解剖结构设计，没有考虑肿瘤的异质性与放射敏感性差异。未来的AI放疗计划模型将整合基因组学、蛋白组学、功能影像等生物标志物信息，针对肿瘤内部不同放射敏感性的区域给予差异化的剂量照射，即“生物适形放疗”，在提升肿瘤局控率的同时，进一步降低正常组织的受量。针对胶质瘤的相关研究已经显示，结合肿瘤代谢