Page 12 - 《中国医疗器械杂志》2026年第1期
P. 12

Chinese Journal of Medical Instrumentation                                         2026年 第50卷 第1期

                                                     医  学  人   工  智  能



              操作医生使得不同医疗机构间同一病区的勾画结果                            胸壁形变导致解剖结构表现出显著的空间异质性，
              存在显著的不一致。在治疗计划优化环节，同样存                            其体积变化率可高达28%；不同模态影像之间成像
              在依赖医师专业性操作的典型问题。临床数据显                             模式的技术差异导致的灰度分布差异 等。这些实
                                                                                                  [12]
              示，治疗计划的制定通常需要经过3~5次人工手动                           际问题不仅对乳腺图像配准技术的准确性和可靠性
              调整才能达到理想的治疗效果。此外，在预后评估                            提出了更高的要求，也对乳腺癌放疗的精准性产生
              方面，目前主要依赖临床病理学指标进行判断，这                            了直接影响。
              种单一化的评估方法使得治疗反应的预测准确率往                             1.1.1    传统配准技术
                        [5]
              往不足60% 。上述问题的存在制约了乳腺癌放疗                               基于乳腺癌放疗影像检查中的实际问题，传统
              效果的进一步提升以及医疗资源利用效率的提高。                            影像配准技术的应用目前具有一定的技术局限性。
                                                                           [13]
                                                                                                  [14]
                  随着人工智能（artificial intelligence, AI）技术         Demons算法 和B样条弹性配准算法 是传统的形
              的快速发展，其在乳腺癌放疗领域展现出重要的应                            变配准方法，其配准性能主要依赖于人工设计的特
              用价值，主要表现在以下几方面                 [6-7] ：①基于深度       征提取机制。在处理乳腺腺体与肿瘤区域等低对比
              学习（deep learning, DL）的自动靶区勾画系统，                   度结构时，这些方法容易产生配准误差；此外，复
              能够快速识别肿瘤组织的边界特征，提升了靶区勾                            杂的解剖结构及周期性动态变化，导致特征难以准
                                                                确提取，这也进一步降低了配准精度。总而言之，
              画的效率和准确度，Dice相似系数（Dice similarity
                                                                Demons算法虽然擅长处理软组织变形，但对乳腺
              coefficient, DSC）达到0.85~0.92，接近人类专家
                                                                组织周期性位移和术后胸壁形变的适应性不足；
              水平。②在治疗计划优化方面，强化学习算法实现
                                                                B样条弹性配准算法对于大形变时的优化存在一
              了突破性进展，可以通过智能优化算法动态调整剂
                                                                定局限性，且全局优化方法在高维参数空间中
              量分布，降低对正常组织的辐射损伤风险，减少治
                                                                面临显著的计算效率问题，单次配准耗时常超过
              疗计划的制定时间。③多模态数据融合技术 ，能
                                                       [8]
                                                                15 min，难以满足在线自适应放疗的实时性要求。
              够整合影像组学、基因组学和临床特征等多维信
                                                                在临床实践中，配准算法的实时性是保证放疗精准
              息，为预后评估提供更全面的数据支持。这些AI技
                                                                性的关键因素。
              术的涌现为乳腺癌放疗提供了更精准、更高效的解
                                                                 1.1.2    基于DL的配准技术
              决方案。
                                                                    以DL技术为代表的AI技术快速发展，给医学
                  本文基于国内外权威文献和临床实践数据，系
                                                                图像的精准配准带来了突破性进展                 [15-18] 。DL方法主
              统性地综述了AI技术在乳腺癌放疗领域的最新研究
                                                                要通过特征空间映射方法来自动提取影像的关键特
              进展，重点包括3个方面：首先分析基于DL的图像
                                                                征，显著提升了配准精度。当前DL配准方法                         [19]
              处理技术在乳腺癌放疗流程中的相关应用，主要涉
                                                                主要分为三类：有监督学习配准方法、无监督学习
              及图像配准和靶区勾画两个环节。其次探讨自动放
                                                                配准方法以及基于生成对抗网络的配准方法。研究
              疗计划的生成路径和临床验证结果，以及基于多模态
                                                                表明，这些方法有效解决了传统配准在乳腺癌放疗
              数据的预后评估方法。最后总结了目前AI在乳腺癌
                                                                中的诸多限制。
              治疗方面的技术瓶颈，并对未来发展方向进行展望。
                                                                    有监督学习的医学图像配准方法主要依赖于标
               1    AI在乳腺癌放疗中的创新应用                              注数据集来训练模型，通过学习输入图像和目标图
                                                                                     像之间的映射关系来实现配准。WODZINSKI等  [20]
               1.1    图像配准                                      利用监督学习解决了由肿瘤切除导致的影像数据缺
                  在乳腺癌放疗的全流程中，图像配准技术扮演                          失问题，配准实验时间小于1 s，可应用于实时放
              着至关重要的角色，是实现图像引导放疗（image-                         疗计划。同时在目标配准误差、肿瘤体积比和主观
              guided radiation therapy, IGRT）、动态靶区追踪及           视觉评估方面，该方法的配准精度都明显优于传统
              自适应放疗计划等技术的关键基础，尤其在满足保                            配准算法。但该方法在形变过程中对输入图像采用
              乳术后靶区动态监测和呼吸运动补偿等真实临床需                            线性插值变形，可能引入肿瘤拓扑结构的变化误
              求方面发挥着重要作用。基于乳腺癌的形变配准方                            差，因此后续实验应选用多种乳腺肿瘤图像开展深
              法面临许多实际的临床问题，主要包括：影像检查                            入研究，以验证其鲁棒性。
              时由于患者的呼吸运动产生的乳腺组织周期性位                                 无监督学习的医学图像配准方法不依赖于标注
              移，其平均幅度可达（3.5±1.2）mm             [9-11] ；患者术后     数据集，而是让算法自主深度学习影像数据的内


                                                              8
   7   8   9   10   11   12   13   14   15   16   17