综述：人工智能在乳腺癌放射治疗中的应用：来自Toolbox Consortium Delphi研究的见解

这篇综述深入探讨了人工智能（AI）在乳腺癌放射治疗（RT）中的整合现状，聚焦于靶区勾画、治疗计划优化和质量评估三大核心领域。文章基于Toolbox Consortium的Delphi研究，指出当前AI系统多为小型单中心研究且存在透明度不足的问题，强调临床专家需保持批判性思维，将AI作为辅助工具而非替代方案（如RaySearch、RPA等系统）。推荐重点关注个体化剂量规划（如GARD模型）和跨国验证项目（如REQUITE），以平衡效率与患者安全。

　　

人工智能如何重塑乳腺癌放射治疗？

摘要
人工智能（AI）正逐步渗透乳腺癌放射治疗（RT）的全流程，从靶区勾画到毒性预测。然而Toolbox Delphi研究揭示，现有AI系统多依赖商业公司支持的单中心数据，且算法透明度不足。这篇综述通过多学科视角，为AI在放疗领域的规范化应用提供路线图。

引言
瑞士卢塞恩的Toolbox Consortium每两年召开会议，旨在解决乳腺癌临床实践中的证据空白。其Delphi研究采用9级Likert量表（1-9分）对54个问题进行优先级投票，其中9个涉及放疗AI应用。值得注意的是，放疗相关问题虽未进入最终讨论清单，但个体化剂量规划（Q37，7.13分）和靶区识别（Q34-35，6.95-6.96分）获最高评分，反映临床对精准放疗的迫切需求。

靶区勾画：AI作为"副驾驶"
RaySearch和RPA等系统通过深度学习实现乳腺及淋巴结靶区的自动勾画，节省50-75%时间。丹麦乳腺癌协作组（DBCG）开发的模型尤为突出，其基于多中心共识数据训练，在专家间变异（IOV）范围内达成临床可接受轮廓。但Table 2数据显示，即便最佳系统仍需14-15%的重大修改，印证了ESTRO指南强调的"人工复核不可或缺"原则。

治疗计划：从物理剂量到生物效应
EZFluence等AI规划系统使乳腺切线野剂量均匀性提升30%，但心脏等危及器官（OAR）保护未见显著改善。更具突破性的是基因组调整放射剂量（GARD）模型，其通过肿瘤分子特征预测放射敏感性，有望突破传统50Gy标准剂量框架。不过作者提醒，这类生物引导AI需国际临床试验验证（如RTOG/ESTRO合作项目）。

质量评估：AI的双刃剑
AI在检测靶区欠剂量（Q41评分最高）方面展现优势，但毒性预测模型（如REQUITE项目）面临数据碎片化挑战。心脏亚结构（如LAD动脉）的自动勾画虽减少工作量，但其与远期心脏毒性的剂量-效应关系仍需10年以上随访证实。Mazo等学者的系统性综述警示，约38%的AI复发预测研究未公开特征选择方法，可能放大临床误判风险。

讨论：信任与验证的平衡
欧盟AI法案将医疗AI列为高风险类别，要求开发方提供技术文档和临床验证数据。这对RPA等面向中低收入国家（LMIC）的公益项目构成挑战——尽管它们能缓解放疗人员短缺（全球缺口达60%），但合规成本可能延缓落地。最终共识指出：AI应作为"涡轮增压器"而非"新引擎"，放疗专家必须保持手动勾画等核心技能，以守护患者安全的"地面真相"（ground truth）。