基于神经网络的胶质母细胞瘤勾画方法临床评估：提升放疗精度的AI解决方案

本研究针对放疗中胶质母细胞瘤(GTV)精准勾画的临床需求，评估了Cercare Medical Inc(CMN)和Raidionics两种神经网络模型在70例真实临床病例中的表现。通过Hausdorff 95%(HD95)距离、Dice相似系数(DSC)等指标分析发现，CMN模型(HD95=4.24mm，DSC=0.83)显著优于Raidionics模型(HD95=5.61mm，DSC=0.80)，但均低于临床专家水平(HD95=2.91mm，DSC=0.89)。研究证实AI模型可减少假阳性体积(<10%)，为临床辅助勾画提供可靠工具。

　　

在神经肿瘤放疗领域，精确勾画肿瘤靶区始终是临床面临的重大挑战。胶质母细胞瘤(GBM)作为最具侵袭性的脑肿瘤，其治疗成败往往取决于放疗靶区定义的准确性。传统人工勾画不仅耗时费力，更因医师主观差异导致高达20-30%的靶区变异。随着人工智能技术发展，神经网络辅助勾画工具应运而生，但其在真实临床环境中的表现究竟如何？这正是丹麦奥胡斯大学医院(Department of Oncology, Aarhus University Hospital, Aarhus, Denmark)的研究团队Anders Traberg Hansen等人试图解答的问题。

研究团队设计了一项严谨的临床对照试验，选取2020-2024年间70例新诊断的增强性胶质母细胞瘤患者（含活检、部分切除和全切除病例），采用1.5T/3.0T Philips Ingenia磁共振获取T1加权、T1加权钆增强和T2-Flair序列图像。通过比较CMN模型（基于EfficientNet-B4改进的U-Net架构）与Raidionics模型（AGU-Net架构）的自动勾画结果与专家手动金标准，首次在真实临床场景中系统评估了AI模型的性能边界。

关键技术方法包括：采用3D Slicer软件进行体积分析，通过Hausdorff 95%(HD95)距离和Dice相似系数(DSC)量化空间一致性；计算假阳性/假阴性体积百分比；选取12例患者评估临床医师间变异(interobserver variability)；对10例差异显著病例进行剂量学验证，分析靶区变化对95%等剂量线覆盖体积(V₉₅)的影响。

研究结果揭示：

1. Hausdorff 95%和Dice相似系数

   CMN模型整体表现最优，平均HD95为4.24mm[2.05,10.2]，显著优于Raidionics的5.61mm[2.13,14.8]（p<0.00002）。在活检亚组中，CMN的DSC达0.86[0.70,0.94]，明显高于Raidionics的0.81[0.66,0.93]。但两种模型均不及临床专家水平（平均HD95=2.91mm，DSC=0.89）。

2. 假阳性和假阴性

   CMN模型的平均假阴性体积(17.4%)显著低于Raidionics(22.6%)（p<0.0007），尤其在活检病例中差异更显著(15.7% vs 25.0%)。两种模型的假阳性体积均控制在10%以下，显示AI在避免过度治疗方面的优势。

3. 剂量学分析

   当采用AI勾画靶区时，原始PTV的V₉₅平均变化为12.7%(CMN)和18.2%(Raidionics)。极端病例出现44.1%的覆盖损失，提示AI勾画仍需临床审核。

讨论部分深入剖析了模型局限性：对于大型术后空腔（图4所示DSC低至0.38）和多灶性肿瘤，两种模型均出现显著偏差。值得注意的是，CMN模型因输出坏死区、增强灶和水肿三个独立分割结果，其GTV可能呈现不符合临床习惯的凹陷形态。研究建议未来开发应纳入更多复杂病例训练数据，并考虑整合医师的勾画偏好模式。

这项发表于《Taiwanese Journal of Obstetrics and Gynecology》的研究具有重要临床意义：首次在非筛选的真实世界队列中验证了AI勾画工具的可靠性边界，建立了4-6mm HD95误差对应约10%剂量波动的量化关系。虽然当前AI尚不能完全替代专家判断（尤其对术后复杂病例），但其稳定的低假阳性特性（<10%）和可解释的性能指标，为临床实施"AI初筛+人工复核"的混合工作流程提供了循证依据。该研究也为后续模型优化指明了方向——需要重点提升对术后空腔和多灶病变的识别能力，这将是实现AI辅助勾画全面临床应用的关键突破点。