基于深度学习的乳腺癌放疗靶区自动勾画对靶区大小及危及器官剂量的影响研究

为解决传统人工勾画乳腺癌放疗靶区效率低、一致性差的问题，瑞典研究人员开展了一项多中心研究，比较深度学习（DL）模型与临床医生勾画的靶区体积及剂量分布。结果显示，DL模型在几何重叠上表现良好，但对危及器官（OAR）剂量的影响需谨慎评估，提示临床应用需结合专家修正。

　　

论文解读
乳腺癌放疗中，靶区勾画的精准性直接影响治疗效果与患者安全性。传统人工勾画依赖医生经验，存在耗时久、主观差异大的问题。全球范围内，人工智能（AI）技术正逐步渗透至医疗领域，其中深度学习（DL）模型因能自动化勾画靶区而备受关注。然而，现有DL模型多基于影像数据，未整合患者临床信息（如肿瘤位置、合并症），可能导致靶区体积偏离临床标准，进而影响危及器官（OAR）的辐射剂量。瑞典研究团队针对这一痛点，开展了一项多中心研究，旨在评估DL模型在乳腺癌放疗靶区勾画中的临床适用性。

该研究纳入了瑞典15家放疗中心的虚拟患者数据，由各中心医生基于统一CT影像勾画临床靶区体积（CTV），并与两款商业DL模型（Raystation和MVision）的勾画结果对比。结果显示，DL模型生成的CTV体积与临床医生结果相近，几何重叠度较高（表面Dice相似系数sDSC>0.9）。但在剂量分析中，DL模型因靶区更贴近胸壁，导致心脏剂量显著升高。例如，在局部区域放疗中，DL模型的平均心脏剂量达2.84 Gy，较临床中心均值高3.2%。尽管差异在绝对值上较小，但其增幅达103%，可能抵消深吸气屏气（DIBH）技术带来的心脏保护效果。

研究还发现，DL模型对不同放疗方案的影响存在异质性。在单纯乳腺放疗中，DL模型因靶区扩展至胸壁，导致心脏剂量进一步升高（RS-DL模型最高达2.50 Gy）。然而，其对同侧肺、甲状腺等器官的剂量影响与临床方案无显著差异。此外，当将DL模型生成的放疗计划应用于临床医生勾画的靶区时，部分中心出现靶区覆盖不足的情况，尤其是内乳淋巴结（IMN）的覆盖率在MVision模型中仅达89.4%。

研究结论指出，DL模型在乳腺癌放疗靶区勾画中具有潜力，但其临床应用需严格监控。研究者建议，未来应开发整合临床信息的DL模型，并通过人工修正关键区域（如CTV-IMN边界）以优化剂量分布。此外，需扩大样本量验证模型的普适性，并探索其在调强放疗（IMRT）等复杂技术中的表现。

关键方法
研究人员采用CT影像与DL模型勾画靶区，通过几何重叠指标（sDSC）评估一致性，并基于Eclipse系统生成放疗计划，分析危及器官剂量。