基于ROI注意力U-Net的肺癌放疗靶区精准分割新方法：RAU-Net模型的多中心验证研究

针对肺癌放疗中CT图像肿瘤靶区(GTV)分割面临的低对比度、小病灶及异质性高等挑战，江西癌症医院团队提出两阶段RAU-Net模型，集成目标检测与注意力机制改进的U-Net架构。在两项独立数据集验证中，Dice系数达77.13%和73.95%，较传统方法提升4.1-28.34%，为精准放疗规划提供AI解决方案。

　　

肺癌作为全球致死率最高的恶性肿瘤之一，每年导致约170万人死亡，其中60%-70%患者需接受放射治疗。然而，放疗计划制定过程中，CT图像上肿瘤靶区(Gross Tumor Volume, GTV)的精准勾画面临三大技术瓶颈：肿瘤与周围组织低对比度、病灶区域占比小（易导致算法识别偏差）、以及内部囊变/钙化等异质性结构。传统依赖放射肿瘤科医师手工勾画的方法不仅耗时（单例需30-60分钟），且存在高达20%的观察者间差异，直接影响放疗剂量分布精度。

为突破这一临床困境，江西癌症医院联合南昌航空大学团队在《Scientific Reports》发表创新研究，开发了名为RAU-Net（ROI-Attention U-Net）的两阶段深度学习框架。该研究通过122例肺癌患者的多中心CT数据验证，首次将目标检测与改进型U-Net有机结合：第一阶段采用定制化区域提取网络(ROI)精确定位肿瘤坐标，生成256×256像素的优化裁剪框；第二阶段引入并行跳跃连接路径的SEA-Unet模型，集成通道注意力(SE)与空间注意力(CBAM)机制，配合混合损失函数(CLoss，含90%交叉熵+10%Dice损失)，显著提升小病灶分割精度。

关键技术方法包括：1）基于训练集标签坐标生成ROI裁剪框(194,161,450,417)；2）八层编码器-解码器架构，采用4×4卷积核与步长2的下采样；3）SE-Res模块嵌入残差块，通过全局平均池化学习通道权重；4）五折交叉验证，使用NVIDIA RTX 3080ti显卡训练200个epoch。

研究结果显示：在主要测试集(Dataset1)上，RAU-Net的Dice系数达(77.13±0.55)%，较传统U-Net(48.79%)提升28.34个百分点，灵敏度(80.38%)更是后者的2.4倍。值得注意的是，模型在外部验证集(Dataset2)仍保持73.95%的Dice系数，而SwinU-Net性能骤降至26.92%，证实其强泛化能力。可视化对比揭示，RAU-Net对5mm薄层CT中3mm级微小病灶的轮廓还原度最佳（图5A-E），而其他模型普遍存在过分割（U-Net假阳性率达42%）或欠分割（UNet++漏检率76%）问题。

消融实验证实各模块的协同效应：单独ROI提取使Dice提升5.1%，SE-Res模块增强通道特征表达，而注意力机制使T3-T4期大肿瘤分割灵敏度提高6.25%。与临床常用组合(YOLOv8+U-Net)相比，RAU-Net的Dice系数优势达25.2%，且特异性保持99.97%的高水平。

讨论部分指出，该研究的创新性在于：首次将目标检测先验知识引入肺癌GTV分割，通过双路径特征融合（浅层纹理+深层语义）解决医学图像小样本难题。但局限在于对不规则浸润型肿瘤（图5F）分割效果欠佳，未来拟结合迁移学习适配多中心数据。临床转化方面，该算法已集成至Pinnacle³放疗计划系统，可缩短靶区勾画时间至3-5分钟，为"诊断-治疗一体化"(theranostics)提供技术支持。

这项研究为肺癌精准放疗提供了可解释的AI工具，其模块化设计（如SE-Res块）可扩展至其他器官分割。正如同期评论所述，这种"AI初筛+医师复核"的模式，既保留了临床决策权，又将放射科医师从重复劳动中解放，代表了个体化癌症治疗的重要发展方向。