综述：人工智能时代胶质瘤的放射治疗：当前应用与未来展望

本综述系统探讨了人工智能（AI）在胶质瘤放射治疗（Radiotherapy）中的革新作用，涵盖靶区勾画（Auto-segmentation）、治疗计划优化（如IMRT/VMAT）、新兴技术（质子/碳离子/FLASH放疗）及预后预测模型（如XGBoost/SHAP），旨在推动个体化（Personalized）和自适应（Adaptive）临床策略的发展。

　　

1 引言

胶质瘤是起源于中枢神经系统胶质细胞的实体肿瘤，年发病率约为5–8/10万人，是儿童中最常诊断的颅内肿瘤。根据2021年世界卫生组织（WHO）第五版中枢神经系统肿瘤分类，胶质瘤分为I至IV级，其中IV级胶质母细胞瘤（GBM）最具侵袭性。尽管采用手术、同步放化疗和辅助化疗等多模式治疗，其中位总生存期仍不足两年，5年生存率约为10%。放射治疗是胶质瘤治疗的关键组成部分，尤其用于控制术后残留病灶。然而，靶区勾画不精确和剂量分布不理想等挑战仍制约疗效。人工智能（AI）的快速发展使其应用于放射治疗的多个阶段——包括图像处理、自动勾画、治疗计划和结果预测——为提升精准性和个体化创造新机遇。

2 放射治疗在胶质瘤治疗中的作用与局限性

常规放疗技术与新兴AI应用的结合旨在提升肿瘤控制并实现真正个体化策略。随着放疗技术的发展，调强放疗（IMRT）、容积调强弧形治疗（VMAT）、质子治疗、碳离子治疗和FLASH放疗等模式日益应用于临床。提高局部肿瘤控制同时减少周围健康组织损伤，仍是胶质瘤放射治疗的核心挑战。

目前高级别胶质瘤（HGG）的标准辅助放疗方案是Stupp方案：术后约四周开始分次放疗，总剂量60 Gy，每日1.8–2 Gy，同步替莫唑胺（TMZ）化疗75 mg/m2。同步放化疗完成后约一个月，患者进行六个周期的辅助TMZ化疗。对老年或体能状态差的患者，大分割放疗（如40 Gy/15次或34 Gy/10次）可提供与常规分次相当的疗效。

尽管技术进步，治疗获益仍有限。主要障碍包括：患者内和患者间肿瘤异质性；靶区勾画局限性，常规MRI难以完全表征浸润性肿瘤边界；静态治疗计划无法适应治疗期间解剖或病理变化（如水肿或肿瘤缩小）；以及临床医生和治疗中心间勾画与计划质量的差异性。

2.1 AI在实时自适应计划中的应用

传统方法因肿瘤异质性、解剖移位和治疗期间水肿变化而面临显著局限。实时自适应计划——根据放疗期间肿瘤变化动态调整治疗计划——已成为有前景的方向，AI在推动这一过程中起关键作用。

AI通过以下方式协助实时自适应计划：实时成像与分析：深度学习模型可实时处理影像数据，提供最新肿瘤勾画并识别肿瘤体积或位置变化，确保动态调整计划以适应肿瘤运动、水肿或解剖移位；治疗适应：AI模型可指导放疗期间辐射剂量分布调整，基于更新肿瘤和危及器官（OAR）位置持续优化计划；临床决策支持：AI与治疗交付系统整合使临床医生获得实时反馈，促进辐射剂量适应的及时决策。

2.2 调强放疗（IMRT）

IMRT因其对复杂靶体积提供高度适形辐射剂量同时保护邻近OAR（如视神经、脑干和海马）的能力，已成为胶质瘤治疗广泛接受的标准。通过逆向计划算法和多叶准直器（MLC）调制，IMRT增强HGG典型不规则形状病变的剂量适形性，尤其位于功能区附近者。

对WHO II级高危低级别胶质瘤，Wang等报道单独IMRT及联合TMZ均较单纯观察显著改善中位无进展生存期（mPFS）和总生存期（mOS）。VMAT作为IMRT的时间高效演进，在连续机架旋转中交付调强束流，通过同时改变机架速度、剂量率和MLC位置，显著缩短治疗时间同时保持或超越固定野IMRT的剂量学质量。Navarria等研究341例新诊断高级别胶质瘤患者，证明VMAT较三维适形放疗（3DCRT）获得更好剂量学适形性并显著改善mPFS和mOS。

2.3 质子束治疗（PBT）

质子治疗利用布拉格峰现象在特定深度沉积多数辐射剂量且最小出口剂量，此特性允许卓越的健康脑组织保护，使PBT特别有利于儿童胶质瘤或邻近关键结构的复发HGG。若干剂量学和前瞻性试验提示质子治疗可减少神经认知下降和降低积分剂量，尽管因高成本和有限设施可及性仍受限。

尽管PBT在胶质瘤中的临床证据目前有限，其潜力似乎 promising。在GBM中，因侵袭性和快速进展，PBT的长期神经保护优势可能减弱。未来研究应聚焦于最可能受益于PBT的患者亚组。年轻、功能独立且具有利分子谱的高级别或低级别胶质瘤（HGG或LGG）患者可能更多获益于PBT相关的正常组织毒性减少。值得注意的是，LGG中的初步小规模研究显示PBT急性毒性更温和。

2.4 碳离子放疗

碳离子治疗显示比光子和质子治疗更高的相对生物有效性（RBE）。RBE量化相对于250 keV X射线的生物损伤，体外碳离子RBE范围1.1至3.74，取决于细胞类型。碳离子诱导比光子更复杂和致死的DNA损伤，且肿瘤细胞修复效率降低。一研究观察到碳离子暴露导致约79.9%细胞显著G₂/M细胞周期阻滞，持续至少48小时。与光子放疗细胞毒性剂量依赖性不同，碳离子似乎发挥不依赖剂量持续时间的致死效应。

在一项I期试验中，Qiu等纳入18例HGG患者评估碳离子放疗后质子治疗的可行性和安全性。结果显示质子前碳离子剂量15 Gy/3次耐受良好且可能有益，中位OS 17.9个月。无≥3级急性或晚期毒性报告。

2.5 FLASH放疗

FLASH放疗是一种新兴技术，提供超高通量率（>40 Gy/s）并显示临床前证据减少正常组织毒性同时保持肿瘤杀伤效应。与常规放疗较低剂量数分钟交付不同，FLASH放疗在毫秒内照射肿瘤。临床前研究显示FLASH放疗可显著减少正常组织损伤同时保留其肿瘤杀伤作用，使其成为改善治疗比的 promising 技术。这对胶质瘤治疗具有潜在临床意义，可能减少通常与辐射相关的神经认知副作用同时保持或改善疗效。其在胶质瘤中的应用仍属实验性，但初始小鼠模型证明较常规剂量率照射保留神经认知功能。Iturri等比较胶质瘤大鼠中质子FLASH放疗（257 ± 2 Gy/s）与常规剂量率质子治疗（4 ± 0.02 Gy/s），FLASH显著保留认知功能并触发肿瘤中强健淋巴免疫应答。

2.6 术中放疗

瘤周区域是胶质瘤复发高风险区。研究指示术后头两周内残留肿瘤体积显著增加。术中放疗（IORT）在手术切除期间直接向瘤床交付单一高剂量辐射，此方法最小化治疗延迟并减少手术与术后放疗间肿瘤再增殖风险。尽管在胶质瘤中仍属研究性，早期结果提示当与外照射RT结合时可能减少局部复发。

3 人工智能在胶质瘤放射治疗中的变革作用：跨越治疗谱

AI通过提升精准性、效率和个体化正革命性改变胶质瘤放射治疗。从靶区勾画和治疗计划到影像生物标志物开发和预后建模，AI驱动工具日益整合入临床工作流。这些技术减少观察者间变异性，自动化复杂任务，并为个体化治疗策略提供数据驱动见解。采用影像组学、机器学习和可解释AI框架 bridging 影像数据与可行动临床决策间差距，最终旨在改善患者结局和标准化护理。

3.1 AI辅助靶区勾画

大体肿瘤体积（GTV）和临床靶体积（CTV）的手动勾画耗时且易受观察者间变异性影响，尤其在具弥漫或浸润边界的胶质瘤。训练于大型影像数据集的AI算法显示在MRI上自动分割肿瘤区域高准确性，减少变异性并标准化勾画实践。Pehrson等回顾48项研究，发现AI算法在各类肿瘤GTV勾画中与临床医生良好一致性，Dice相似系数范围0.62至0.92，尤其在编码器-解码器架构模型中。

3.2 AI在治疗计划中

AI日益用于优化放射治疗计划，生成高质量计划同时减少临床医生工作量。知识库计划（KBP）系统使用历史治疗数据预测最佳剂量分布，而强化学习模型迭代改进计划质量。这些工具增强适形指数并保护危及器官，对邻近关键结构（如视通路和脑干）的胶质瘤特别有价值。

3.3 影像组学和影像生物标志物

影像组学将标准影像转化为高维可挖掘数据，使定量特征提取成为可能，这些特征可能反映肿瘤异质性、浸润和治疗应答。在胶质瘤中，影像组学特征与IDH突变状态、MGMT启动子甲基化和进展模式相关。整合影像组学与临床和分子数据增强风险分层并支持个体化放疗计划。

3.4 机器学习预后建模

机器学习模型，包括随机森林（RF）、支持向量机（SVM）、XGBoost和神经网络，已用于预测胶质瘤患者生存、复发和治疗应答。较传统模型，这些机器学习方法在复杂临床场景中提供增强性能和适应性。

3.4.1 随机森林（RF）

强大可靠：RF是一种集成学习方法，结合多决策树产生高度可靠预测，减少过拟合风险。特征重要性排名：RF可识别最相关特征，为临床医生理解影响预后因素提供宝贵见解。处理高维数据：其有效处理复杂数据集如影像组学和基因组学，处理大量变量无需广泛数据预处理。抵抗缺失数据：RF良好处理缺失数据，使其对具不完整记录临床数据集稳健。

3.4.2 支持向量机（SVM）

高维空间有效：SVM擅长处理高维数据，尤其特征数超过样本数时，使其成为影像组学和基因组数据理想选择。强泛化能力：SVM较不易过拟合，尤其数据复杂或嘈杂时，且在二元分类任务中有效。清晰分离边界：SVM在类间有清晰边界时工作良好，如区分高级别和低级别胶质瘤。

3.4.3 XGBoost

高准确性：XGBoost以优异性能闻名，常在分类和回归任务中提供最先进结果。高效处理缺失数据：XGBoost可自动管理缺失值，使其对常见缺失记录的临床数据理想。特征重要性：类似RF，XGBoost提供不同特征重要性见解，有助于理解预测背后关键驱动因素。可扩展且快速：XGBoost高效，处理大数据集并提供快速训练时间，使其可扩展至大数据应用。

3.4.4 神经网络

处理复杂数据强大：神经网络，尤其深度学习模型，擅长从大型高维数据集（如影像和多组学数据）提取复杂模式。适应多种数据类型：其可处理广泛数据类型，从结构化临床数据到非结构化影像数据，使其在临床应用中多功能。高准确性：当训练于大数据集时，神经网络可实现 exceptional 准确性，常超越传统机器学习模型。

3.4.5 机器学习应用

Samara等使用集成特征选择（Boruta、LASSO、SHAP）开发分类模型，识别13个关键预测因子如IDH1、TP53和ATRX。XGBoost获得最高AUC（0.93），而逻辑回归显示最高测试准确率（88.09%），具强模型校准和临床实用性。Li等创建基于MRI的影像组学模型用于高级别胶质瘤分类，使用多种机器学习算法；Stacking融合模型显示最佳性能（AUC = 0.95, 灵敏度 = 0.84, 准确率 = 0.85, F1分数 = 0.85）。通过整合影像、基因组和临床数据，这些模型超越传统预后方法并帮助识别可能受益于强化或替代治疗的患者。此外，可解释AI（XAI）框架正被开发以增强模型预测的透明度和临床信任。

4 模型可解释性与可解释AI在胶质瘤放射治疗中

限制AI模型在胶质瘤放射治疗中临床采用的主要挑战之一是可解释性缺乏。尽管AI模型，尤其深度学习模型，已展示卓越性能，其黑盒特性使临床医生难以理解这些模型如何达成预测。此透明性缺乏构成临床决策接受的重要障碍。

4.1 SHAP

SHAP值通过量化每个特征对模型预测的贡献提供特征重要性的统一度量。在胶质瘤放射治疗中，SHAP可用于解释哪些临床、影像组学或基因组特征对预测结局（如患者生存或复发）有最显著影响，为临床医生提供宝贵见解以理解驱动模型预测的因素。

4.2 LIME

LIME是另一种强大技术，通过用更简单可解释模型在预测周围局部区域近似AI模型，生成个体预测的可解释解释。此方法在放射治疗中解释个体患者结局时特别有用，如为何某治疗计划被推荐 over 其他。

总之，人工智能在胶质瘤放射治疗中持有变革潜力，提供工具以增强工作流效率和临床精准性。未来方向包括多组学整合、实时自适应计划和AI模型在大规模临床试验中的前瞻性验证。