基于深度学习的全身危及器官自动勾画系统赋能精准自适应放疗的临床验证研究

本研究针对放疗中危及器官(OARs)手动勾画耗时、主观性强的问题，开发了基于2D U-Net的全身多区域(头颈/胸/腹/盆)深度学习(DL)自动分割系统。结果显示DL模型在头颈(OARs中位数DSC=0.841)、胸(0.903)、腹(0.847)、盆(0.916)区域均展现优异几何精度，91.7%的OARs临床可接受(修订量<20%)，且剂量学参数(如Dmean/Dmax/Vx)与传统勾画方案无显著差异(P≥0.05)，单次全身OARs勾画仅需141秒，为自适应放疗(ART)提供了高效解决方案。

　　

在精准放疗领域，准确勾画危及器官(OARs)是保护正常组织的关键环节。然而传统人工勾画不仅耗时费力(单病例需数小时)，还面临两大挑战：一是不同医师勾画存在显著主观差异(研究显示头颈OARs勾画差异可达30%)，二是在分次放疗中，器官位移和形变导致需要重复勾画，严重制约自适应放疗(Adaptive Radiotherapy, ART)的临床实施。尽管已有基于深度学习的单区域自动分割研究，但对于涉及多部位照射的肿瘤(如寡转移癌、全脑全脊髓照射)，现有技术仍存在解剖覆盖不全的局限。

中山大学肿瘤防治中心(State Key Laboratory of Oncology in South China)的研究团队在《BMC Medical Informatics and Decision Making》发表的研究，创新性地构建了覆盖头颈、胸、腹、盆四大区域的全身OARs自动分割系统。通过整合2D U-Net算法和临床剂量学验证，证实该系统能在141秒内完成70个OARs的精准勾画，且不影响放疗计划的剂量分布，为临床实施ART提供了关键技术支撑。

研究采用多中心回顾性数据(共924例CT扫描)，按解剖区域分别训练模型。关键技术包括：1)基于国际共识指南(RTOG/DAHANCA)的单医师金标准勾画；2)2D U-Net架构实现边缘设备快速计算；3)几何指标(Dice/ASD)与临床接受度(修订量分级)双评估体系；4)剂量学验证(Plan_DLD vs Plan_CPD)的γ分析(3%/3mm)。特别针对15例髓母细胞瘤患者进行全身勾画效率测试。

【几何精度验证】

模型在测试集(42例鼻咽癌/27例肺癌/42例肝癌/48例盆腔癌)中表现优异：头颈区脑干(DSC=0.866±0.115)、脊髓(0.892±0.034)等大器官精度最高，而垂体(0.671)和视交叉(0.609)等小结构因CT软组织对比度局限稍逊。胸腹部大体积器官如肺(左0.972±0.174)、肝(0.965±0.035)表现突出，盆腔膀胱(0.978±0.017)和前列腺(0.920±0.064)达到临床直接使用标准。

【临床接受度评估】

经放射肿瘤专家修订后，90%的OARs达到高接受度(DSC≥0.8)，如头颈区口腔(0.944±0.051)和喉上区(0.941±0.046)。修订量分析显示81.25%的小肠勾画无需修改，仅垂体(4.76%)等少数结构需重大修订(>40%体积调整)。值得注意的是，尽管视交叉原始DSC较低，但经修订后临床DSC提升至0.850，说明模型输出具有良好可编辑性。

【剂量学影响】

对比60例患者的两种放疗计划，DL生成轮廓(Plan_DLD)与传统轮廓(Plan_CPD)在PTV覆盖参数(D₉₅/V₁₀₀等)和OARs剂量约束上均无统计学差异(P>0.05)。剂量差异>5Gy的个案仅见于8.57%的头颈OARs(如垂体ΔDose达14.088Gy)，但Spearman分析显示几何精度与剂量差异无普遍相关性(R<0.3)，证实模型在剂量敏感区域的鲁棒性。

这项研究首次系统验证了全身DL自动勾画在真实临床场景中的适用性。其创新价值体现在三方面：技术上，采用轻量级2D U-Net实现院内设备部署，规避了云计算的伦理风险；临床上，建立从几何精度到剂量验证的完整评估链条，证实了DL轮廓可直接用于计划设计；应用上，141秒的全身勾画速度使在线ART成为可能。局限性在于训练集仅采用单医师勾画，且未包含乳腺结构。未来通过多中心数据协作和3D算法优化，有望进一步突破小器官分割瓶颈，推动智能放疗的全面落地。