AI驱动放疗计划自动化：多中心研究揭示其在多癌种中的通用性与临床采纳价值

《Nature Communications》：Multicenter study on the versatility and adoption of AI-driven automated radiotherapy planning across cancer types

本研究针对传统放疗计划制定过程中耗时、依赖经验且存在质量不一致的问题，开发了一种结合深度学习剂量预测与临床目标引导逆向优化的混合自动化策略。结果显示，超过80%的自动计划符合临床标准，60%在盲审中优于人工计划，且将计划制定时间缩短约40%。这项工作为AI驱动的放疗计划自动化在多机构、多癌种场景下的临床应用提供了实践范例。

　　

在肿瘤治疗领域，放射治疗如同一位精准的“狙击手”，旨在彻底消灭癌细胞的同时最大限度保护周围正常组织。然而，这位“狙击手”的弹道规划——即放疗计划的制定过程，却长期面临着效率与质量难以兼得的困境。传统的放疗计划制定高度依赖物理师的经验，通过反复试错来调整参数，不仅耗时费力（通常需要数小时甚至更久），而且不同机构、甚至不同物理师制定的计划质量存在显著差异。这种不一致性可能导致患者接受次优治疗，要么肿瘤控制不足，要么正常组织损伤风险增加。

随着调强放疗(IMRT)和容积旋转调强放疗(VMAT)等精准放疗技术的普及，计划制定的复杂性进一步增加。为了应对这一挑战，自动化放疗计划(ATP)技术应运而生。早期的ATP方法，如基于协议的优化（如AutoPlanning）、知识型计划（如RapidPlan）和多目标优化（如RayStation MCO），已在临床实践中证明可以提高效率并保证计划质量不低于人工计划。近年来，深度学习(DL)技术的兴起为ATP带来了新的突破，能够更快速、准确地预测剂量分布。然而，一个核心问题依然悬而未决：AI驱动的ATP如何才能最好地服务于临床实践？是应该像AlphaGo一样完全超越人类，还是应该高效生成临床可用的计划，尽量减少人工干预？理想的ATP解决方案需要在临床可接受性（符合安全标准）、临床最优性（达到帕累托最优）和临床适用性（高效、易整合）之间取得平衡，但这在实践中仍面临巨大挑战。

发表在《Nature Communications》上的这项多中心研究，正是为了破解这一难题。由复旦大学附属肿瘤医院胡伟刚教授、章真教授和王佳舟教授团队牵头，联合中南大学湘雅医学院附属肿瘤医院、浙江省肿瘤医院以及联影医疗技术团队，开发了一种创新的混合ATP策略。该策略巧妙地将深度学习剂量预测与临床目标引导的逆向优化相结合，旨在5分钟内生成可直接执行的放疗计划。

研究人员针对鼻咽癌(NPC)、肺癌、乳腺癌、宫颈癌和直肠癌这五种常见肿瘤，分别利用单一机构（机构A）的高质量历史计划数据训练了深度学习模型。这些模型采用了一种名为通道注意力密集连接U-Net(CAD-UNet)的架构，能够以患者的CT图像和勾画轮廓为输入，预测出接近帕累托最优的体素级剂量分布。预测生成的剂量体积直方图(DVH)指标，再结合预设的、分优先级的临床目标列表，被用于指导治疗计划系统(uTPS)中的逆向优化，最终生成可执行的计划。

为了验证该方法的通用性和临床采纳度，研究团队进行了一项大规模回顾性评估，涉及三个独立的癌症中心（机构A、B和C）。每个癌种共纳入50例患者（机构A 30例，B和C各10例），总共生成和评估了250个自动计划(ATP)。这些ATP计划严格使用源自机构A的单一机构模型和固定的临床目标列表（机构C根据本地指南进行了微调），并保持了原始人工计划(MNL)的射束配置，未进行任何病例特定的目标调整。

主观评估结果显示，该ATP解决方案获得了临床医生的高度认可。在所有机构和癌种中，82%（205/250）的ATP计划被三位评审医生一致认为符合临床接受标准。更有60%（149/250）的ATP计划在盲法比较中被认为优于人工计划。其中，鼻咽癌计划的临床接受度最高，达到100%；而肺癌计划的接受度相对较低，为66%。在计划偏好方面，宫颈癌ATP计划最受青睐（76%），乳腺癌最低（46%）。不同机构间的表现存在差异，机构C在采用定制化目标列表后，ATP计划表现优异，而机构B在某些癌种（如乳腺癌和肺癌）上的接受度和偏好率则较低。这凸显了根据本地临床指南调整目标列表对于提升ATP在外部机构表现的重要性。值得注意的是，医生们平均仅能识别出61%的ATP计划为AI生成，表明自动计划与人工计划的质量已相当接近。

客观剂量学比较进一步证实了ATP计划的质量。分析显示，ATP计划在靶区适形指数(CI)、均匀性指数(HI)以及对大多数危及器官(OAR)的保护方面，达到了与人工计划相当或更优的水平，同时保持了相似的靶区覆盖度和射束调制复杂度（总跳数）。尽管在个别OAR的保护上存在些许妥协，但均无统计学意义。例如，在鼻咽癌病例中，ATP计划在机构A显示出更好的脑干、颞颌关节和口腔保护；在盆腔病例（宫颈癌和直肠癌）中，ATP计划则普遍在靶区适形性、均匀性和OAR保护方面有显著改善。

通用性评估是本研究的一大亮点。研究人员深入分析了不同机构间在分割方案、靶区勾画指南、射束几何设置和评估协议等方面的差异对ATP计划生成的影响。结果表明，这些变异对最终计划生成稳健性的影响微乎其微。例如，机构C的鼻咽癌靶区体积明显小于其他机构，但通过调整临床目标预测允差，依然能获得可比的计划质量。射束配置的差异（如机构A主要使用IMRT，而B和C使用VMAT）对最终计划的影响也小于预期，优化算法能够有效地将预测剂量转化为可执行计划。

对于不理想的自动计划，研究展示了在现有框架内进行改进的有效策略。例如，对于机构B中部分未被接受的乳腺癌计划，通过个案调整目标允差（如降低同侧肺V5Gy和V20Gy的目标值，同时适当放宽心脏等器官的剂量限制），成功生成了质量堪比甚至优于人工计划的方案。这表明，基于单一机构模型的ATP框架具备通过目标列表调整来适应多样化临床需求的灵活性。

真实世界时间节省分析令人印象深刻。研究通过一项补充性现实世界规划研究（75例新患者）对比了ATP与人工计划的全流程耗时。结果显示，尽管ATP框架下仍需要一些人工操作（如定位、射野设置），但最耗时的计划目标设定和迭代优化过程实现了自动化，使得ATP计划的中位总时间比人工方法减少了约40%。值得注意的是，外部机构（如机构B）在使用未调整的目标列表时，需要更多的优化轮次和时间，而机构C在经过适度调整后，其时间节省效果与机构A相当。这再次强调了根据本地协议定制目标列表对于提升ATP效率的重要性。

本研究结论部分深刻探讨了ATP的临床转化前景。研究者指出，ATP的成功应用不仅关乎计划性能（可接受性）和工作流整合（适用性），更关键的是服务于最终用户——医生和物理师。借鉴航空领域的自动化经验，放疗自动化同样需要保留“人在回路”的监督机制，以处理主观临床判断和复杂的权衡决策。本研究提出的从单中心模型开发、多中心回顾性评估、平行部署到前瞻性应用的实践路径，为ATP安全、有效地融入临床工作流提供了清晰的方法论。特别是对于资源有限的中小机构，该框架使其能够利用大型中心开发的成熟DL模型，通过定制目标列表来融合本地协议，从而受益于自动化技术。

当然，该研究也存在一些局限性。首先是基于单一机构数据训练的模型可能存在人群偏差，尽管通过定制临床目标列表可以在很大程度上缓解，但其“黑箱”特性带来的某些难以解释的偏差仍需个案调整。其次，在胸部门部肿瘤（如肺癌）等复杂场景中，ATP的接受度仍有提升空间，这需要未来通过纳入更大规模、更精细标注的数据集来迭代优化模型。此外，射野角度的自动化设置仍是实现全流程自动化的瓶颈，未来可考虑集成预设射野模板或基于DL的射野方向优化技术。最后，本研究尚未进行前瞻性验证，将其真正应用于前瞻性临床环境必将面临更多挑战。

尽管如此，这项研究无疑将放疗计划自动化向真实世界临床实践推进了一大步。它雄辩地证明，基于单中心深度学习框架的ATP解决方案在多机构、多癌种评估中不劣于人工驱动计划，并能显著提升效率。其重要意义在于，为在不同医疗资源水平的地区推广均质化的高质量放疗计划提供了可行的技术路径，并为实现个性化自适应放疗中的在线再计划奠定了坚实基础，最终有望让更多肿瘤患者受益于更高效、更精准的放射治疗。