基于解剖学先验知识的宫颈癌临床靶区自动勾画方法研究

本研究针对宫颈癌放疗中临床靶区(CTV)勾画边界模糊、依赖解剖学知识的难题，创新性地提出融合器官风险区(OAR)和腰大肌空间关系的双先验网络(KDPN)。通过空间约束网络(SCN)建模CTV与OAR的拓扑关联，结合宽度驱动注意力网络(WAN)整合腰大肌位置先验，在621例患者数据上实现81.33%的Dice系数，较传统方法提升11.88%，为精准放疗提供智能化解决方案。

　　

宫颈癌作为全球女性三大高发恶性肿瘤之一，其放疗效果高度依赖临床靶区(CTV)的精准勾画。然而CTV作为包含潜在微转移灶的虚拟体积，既非肉眼可见肿瘤的简单扩展，又缺乏明确的影像学边界，传统勾画方法面临巨大挑战。当前基于深度学习的自动分割方法虽取得进展，但普遍忽视了两个关键临床先验：一是CTV与周围器官风险区(OAR)的固定解剖关系，二是腰大肌内侧缘与CTV边界的空间约束。这种知识缺失导致现有算法在复杂病例中易产生解剖学不合理的分割结果，制约了临床推广应用。

为解决这一难题，北京科技大学顺德创新学院联合多家医疗机构的研究团队在《Scientific Reports》发表创新成果。研究提出解剖学知识驱动的双先验网络(KDPN)，通过空间约束网络(SCN)和宽度驱动注意力网络(WAN)分别整合OAR空间关系与腰大肌位置先验。在621例宫颈癌患者CT数据集上的实验表明，该方法Dice系数达81.33%±6.36%，HD95距离降至9.39mm±7.12mm，显著优于现有技术。

关键技术方法包括：1) 采用双分支架构同步提取CTV和膀胱/骨盆等5个OAR特征；2) 基于Transformer的特征关联模块(FCM)建模CTV-OAR空间关系；3) 宽度注意力机制捕捉腰大肌与CTV的横向分布规律；4) 两阶段训练策略先优化SCN再微调WAN。数据来源于安徽医科大学第一附属医院放疗科2017-2019年病例，包含根治性和辅助性治疗两组亚群。

主要研究结果

比较优势验证
与3D-UNet等5种主流模型相比，KDPN的Dice提升幅度达3.17%-11.88%。如图5所示，传统方法在CTV上边界（腹主动脉旁）和前边界（子宫体轮廓）处误差显著，而KDPN因融合解剖约束展现出更符合临床指南的分割结果。

模块有效性分析
如表2所示，单独使用SCN时Dice为79.76%，结合WAN后提升至81.33%。图6三维可视化显示，WAN有效抑制了SCN在CTV上边界的过分割倾向，使冠状面(s3)和矢状面(c3)轮廓更接近真实解剖。

多中心泛化测试
在皖南医学院附属太和医院的38例跨设备数据中，KDPN保持76.47%±4.52%的Dice，HD95稳定在11.87mm±6.67mm，证实其对扫描参数差异的鲁棒性。

临床价值
该研究首次将RTOG指南中的腰大肌内侧缘定位标准（通常位于主动脉外侧1-2cm）编码为深度学习约束，使自动勾画时间从人工20-40分钟缩短至1分钟内。亚组分析显示，对辅助治疗组（训练样本仅168例）的改善尤为显著，Dice提升达3.97%，表明解剖先验在小样本场景下的重要作用。

这项突破为宫颈癌放疗智能化提供了新范式，其核心创新在于将临床专家的隐性经验转化为可计算的显式约束。未来通过纳入更多解剖标志物的先验知识，有望进一步拓展至其他恶性肿瘤的靶区勾画领域。