编辑推荐：
为解决宫颈癌近距离放疗中 HRCTV 和 OARs 手动勾画的问题，研究人员开展 AM-UNet 模型研究，结果显示其分割性能良好，对临床工作意义重大。
宫颈癌放疗新突破：AM-UNet 模型助力精准分割
在肿瘤的综合治疗领域，近距离放疗占据着重要地位，尤其是对于宫颈癌的治疗，其作用不可小觑。想象一下，医生们要为宫颈癌患者制定放疗计划，这其中精准勾勒出高风险临床靶区（HRCTV）和危及器官（OARs）的轮廓至关重要，因为这直接关系到放疗的效果和患者的安全。然而，实际操作中却困难重重。目前的 3D 图像引导近距离放疗过程极为复杂，而且需要耗费大量人力。不同医生在勾画轮廓时，由于经验和主观判断的差异，会出现观察者间和观察者内的不一致性。比如，一位经验丰富的医生和一位新手医生对同一患者的 OARs 轮廓勾画可能就会有明显不同，这就导致放疗效果难以保证稳定和精准。因此，寻找一种快速又准确的自动勾画方法，成为了宫颈癌近距离放疗领域亟待解决的关键问题。
在这样的背景下，福建医科大学附属肿瘤医院等机构的研究人员积极开展研究，致力于攻克这一难题。他们研发出了基于 Mamba 框架的自动分割模型（AM-UNet），并对其进行了全面评估，相关研究成果发表在《Scientific Reports》上。
研究人员为了开展这项研究，运用了多种关键技术方法。首先，收集了 179 例宫颈癌患者的 645 组 CT 扫描数据作为样本队列。接着，对数据进行预处理，将图像裁剪为 64×224×224 大小，以降低模型训练的计算成本和时间。在模型构建方面，AM-UNet 模型主要由 3D 特征编码器、3D 解码器和通道注意力机制三部分组成。训练模型时，将数据按 6:2:2 的比例分为训练集、验证集和测试集，采用 AdamW 优化器，设置特定的学习率和权重衰减，并使用结合交叉熵和 Dice 系数的损失函数，同时进行数据增强。此外，通过计算 Dice 相似系数（DSC）、95% Hausdorff 距离（HD95）和剂量体积指数（DVI）等指标，从定量和定性两个方面评估模型性能。
下面来看看具体的研究结果。
- 自动分割性能：研究人员对比了 AM-UNet 与 UNet、DeepLab V3、UNETR 和 nnU-Net 等模型的分割性能。结果发现，在 HRCTV 和 OARs 的分割中，AM-UNet 表现卓越。在 HRCTV 分割上，它的 DSC 达到 0.862，HD95 为 3.638mm ，除 nnU-Net 外，显著优于其他模型；膀胱分割时，DSC 为 0.937，HD95 为 2.578mm ，同样表现出色；直肠分割的 DSC 为 0.823，HD95 为 5.312mm ，远超其他模型；在乙状结肠分割中，虽然所有模型表现一般，但 AM-UNet 仍以 0.725 的 DSC 和 18.739mm 的 HD95 领先，且具有统计学意义。
- 剂量学评估：为评估自动分割几何误差对剂量分布的影响，研究人员针对测试集中的每个 CT 扫描生成了手动和自动分割轮廓的两种放疗计划。对于 HRCTV，手动和自动分割的Dmean和D90%相对差异小于 1%，无显著差异；在 OARs 中，膀胱的D0.1cc、D2cc和D5cc辐射剂量有显著差异，其他指标差异不明显。除膀胱D0.1cc差异达 - 8.36% 外，其余差异均小于 5%。
- 定性评估：两位经验丰富的放射肿瘤学家对模型预测结果进行了主观评分。在测试集中，0.77% 的病例被认为可接受，63.85% 需要轻微调整，35.38% 需要重大调整，没有病例被拒绝。HRCTV 的评估结果最佳，15.38% 可接受，77.69% 需轻微调整；直肠次之；乙状结肠自动分割中有 1 例患者 CT 需要重新勾画。
综合研究结论和讨论部分，AM-UNet 模型在宫颈癌近距离放疗的 HRCTV 和 OARs 自动分割方面展现出良好的性能，其分割结果与手动分割轮廓一致性较高，虽然部分结果在临床可接受性上还存在一些问题，但仍为繁重的临床工作提供了高效解决方案。该模型基于 Mamba 架构，能够有效捕捉 CT 图像中的长程三维特征，提升了对较大或不规则形状器官的分割性能。与其他研究相比，AM-UNet 在定量指标上表现出色，尽管 nnU-Net 在某些方面优于它，但 AM-UNet 仍有自身优势。同时，研究也指出，目前数据仅来自单中心，未来需要更多中心参与独立测试以评估模型的泛化性能；乙状结肠结构的变异性较大，还需进一步优化数据处理和模型结构来提高其分割能力。不过，基于此次研究在宫颈癌患者 CT 图像上的成功，该方法有望应用于其他癌症的体积分割或 MRI 图像，为医学影像领域带来新的可能，对推动宫颈癌放疗技术的发展具有重要意义。
