深度学习CT自动分割技术在多中心头颈部放疗中的应用评估与临床效益分析

为解决头颈部放疗中手动勾画靶区耗时且存在观察者间变异的问题，研究人员开展了一项多中心评估研究，验证深度学习(DL)CT自动分割软件对11个淋巴结(LN)水平和7个危险器官(OARs)的临床效益。结果显示，总体时间节省达46%，编辑后轮廓的观察者间变异显著降低。该研究首次在全球范围内揭示了自动分割效益的异质性，强调机构特异性调试的重要性，为放疗标准化提供了关键依据。

　　

头颈部癌症放疗中，精确勾画靶区和危险器官(OARs)是确保疗效的关键步骤，但传统手动勾画存在两大痛点：耗时（单病例需81.9±54.7分钟）和观察者间变异（如DAHANCA指南报道的轮廓差异）。尽管深度学习(DL)自动分割技术崭露头角，但既往研究多局限于单中心或算法开发，缺乏全球多中心的临床验证。来自新加坡国立癌症中心等7个国际机构的研究团队在《npj Digital Medicine》发表HARMONY研究，通过两阶段设计（机构内评估+跨机构交叉验证），首次系统评估了商业软件Contour+在真实世界中的表现。

研究采用3D U-Net架构的DL模型，训练数据包含500例头颈部CT扫描，遵循DAHANCA和EORTC共识指南。第一阶段在7个中心各选取5例术前CT扫描，比较手动勾画与AI自动分割的时效性和准确性；第二阶段通过扫描互换（每中心贡献2例，共14例）量化跨机构观察者变异。采用Dice相似系数(DSC)和95%Hausdorff距离(HD₉₅)评估轮廓一致性，并通过STAPLE算法生成共识轮廓作为金标准。

时间节省效益
• 总体时间节省46%（81.9→44.4分钟），但存在显著异质性："狮"中心获益最大（部分ROIs节省>75%），而"鸭"中心某些淋巴结(LN IVB)编辑时间反超手动勾画29%。
• 腮腺和臂丛神经节省最显著（>50%），但LN IA/IB/III/IVA/IVB在多数中心未显示统计学差异（p>0.05）。

轮廓质量提升
• 编辑后所有ROIs的DSC均显著改善（p<0.05），但仅腮腺、颌下腺及LN IB/II/III达到临床可接受阈值（DSC>0.80）。
• 臂丛神经的DSC仍低于0.60，提示复杂结构的自动分割仍需优化。

观察者间变异
• 编辑后轮廓的跨机构DSC平均提升12%，HD₉₅降低18%（p<0.001），臂丛神经一致性改善最显著（变异降低37%）。
• LN IVB组合轮廓(I+II+III)的DSC达0.90，证实自动分割对靶区标准化的价值。

这项研究揭示了自动分割技术的双重价值：既缩短了46%的勾画时间，又通过"数字共识"效应减少了观察者间变异。值得注意的是，临床效益高度依赖机构实践和ROI类型——例如LN IVB在80%中心表现不佳，提示需个体化启用ROIs功能。研究局限性在于未评估术后病例和金属伪影的影响，且仅涵盖18个ROIs（头颈部需勾画40+OARs）。未来应开发自适应模型，结合本地数据微调以提升性能。该成果为全球放疗质控提供了新范式，其揭示的技术-临床-工作流交互规律，对AI医疗产品的落地具有普适指导意义。