Page 14 - 《中国医疗器械杂志》2026年第1期
P. 14

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

                                                     医  学  人   工  智  能



                                                                  [39]
              算推理时间，是继U-Net++之后鲁棒性最好的模                          等 提出的半监督生成对抗网络（semi-supervised
              型；在边界检测方面，U-Net和U-Net++的性能都                       generative adversarial network, SS-GAN）仅需100例
              优于其他模型，DeepLabv3ResNet也提供了具有竞                     标注数据做实验，在乳腺癌靶区勾画评估方面
                                     [32]
              争力的勾画结果。ALI等 提出了一种结合M3D神                          DSC评分可达0.85，已成功地应用于罕见亚型病例
              经元胞自动机（M3D-neural cellular automata, M3D-        （  如乳腺化生性癌）的靶区勾画。这表明在标注数
              NCA）和形状引导分割（shape-guided segmentation,            据有限的情况下，仍可训练出高性能的靶区勾画模
              SGS）来分割乳腺肿瘤的新方法。该方法能精确                            型，为临床应用提供了更大的灵活性和可行性。
                                                                            [40]
              描绘肿瘤边界，提高分割的精度和效率，但其依                             ALRUILY等 提出一种融合两阶段的图像增强与
              赖带注释的图像数据进行训练，且对图像质量较                             分割方法，适用于乳腺超声数据集，实现了乳腺肿
              为敏感。                                              瘤的精准勾画。该方法的第一阶段是使用GAN进
                  针 对 基 于 DL的 勾 画 软 件 ， 周 含 等        [33] 采 用   行乳腺图像扩增，第二阶段则是对扩增后的超声图
              AccuContour对乳腺癌OAR进行自动勾画。研究表                      像进行靶区勾画，以检测肿瘤区域。其结果表明，
              明，虽然该方法能显著节省时间，但在小体积                              利用扩增后的图像集可以有效提高乳腺超声图像的
              OAR和边界模糊区域的勾画精度上与手动勾画差                            分割精度，其中DSC评分为95.49%、准确率为
                                                        [34]
              异较大，建议作为临床辅助工具使用。束炅等 的                            95.67%、精确度为95.59%、召回率为95.68%，如
              实验研究同样获得了类似结论。陈子印等 应用                             表1所示。
                                                      [35]
              AIContour云技术平台，对经血管增强的乳腺癌放                            利用AI技术实现乳腺癌放疗靶区与危及器官的
              疗患者的左心房、右心房、左心室、右心室进行自                            自动勾画已经取得显著效果，可减少人工操作量，
              动勾画，准确性较高，为放疗科医师节省了大量宝                            但在心脏亚结构等关键区域仍存在一定的空间偏
              贵的时间。其中自动勾画后手动修改模式能进一步                            移，会增加后续放疗计划系统中剂量计算的不确定
                                                                性，影响靶区覆盖指数与器官受量阈值达标率。因
              提高勾画精度和结构形状一致性，但对于心脏亚结
                                                                此，发展能动态补偿解剖变异与轮廓误差的自动剂
              构勾画存在一定误差，仍需持续优化。
                                                                量优化策略，成为实现个体化放疗精准实施的关键
               1.2.3    基于多模态的DL勾画技术
                                                                技术衔接。
                  多模态和DL勾画技术的融合为肿瘤评估开辟
                                                                 1.3    自动放疗计划生成
              了新途径。通过整合多种成像模态数据的特有信
                                                                    临床在乳腺癌放疗计划制定时面临的关键决策
              息，基于多模态的DL勾画技术能够更全面地呈现
                                                                是，如何在严格控制OAR受照剂量的同时保证肿
              肿瘤的解剖学特征和功能信息。医学影像数据的高
                                                                瘤靶区获得足够的放射剂量。这使得计划制定时常
              度复杂性，以及不同成像模式在特征表达、形态结
                                                                需要反复优化，才能达到既安全又有效的放疗效
              构和空间维度上存在的差异，给基于多模态的
                                                                果。但患者的个体差异和解剖结构的变化使得
                                                      [36]
              DL勾画技术处理高维医学数据带来了挑战 。针
                                                                人工调整过于复杂，所以自适应放疗（adaptive
                                               [37]
              对这一技术难题，MISRA研究团队 开发了加权
                                                                radiation therapy, ART） 技术被认为是一种关键
                                                                                      [41]
              多 模 态 U-Net模 型 （ weighted  multimodal  U-Net      的解决方法，它能够根据患者的个人实际情况动态
              model,  W-MM-U-Net） ， 专 门 用 于 处 理 B模 式 和          地调整治疗方案。研究表明，目前AI技术在ART领
              SE模式的超声图像数据的多模态融合，实现了乳                            域具有重要的应用价值，为个性化放疗提供了新的
              腺病变区域的自动分割，通过与单一模态方法的对                            技术途径。
              比，证明了双模态模型在分割性能上的优越性。                                 AI在ART中的关键应用是实现靶区和OAR的
              CHO等   [38] 提 出 的 多 模 态 融 合 网 络 （ multimodal      自动分割 ，结合DL的先进算法能够快速准确地
                                                                         [42]
              fusion U-Net, MMF-U-Net）在多模态融合靶区勾画                完成这一任务 ，为ART提供重要的技术手段。其
                                                                             [43]
              任务中取得了79.23%±0.28%的DSC评分，其中胸                      中自动分割技术在提高医生工作效率、减少人为误
              壁边界判定的平均误差小于2.1 mm。这些研究表                          差、保证放疗计划质量方面具有出色表现。此外，
              明，基于DL的多模态融合技术不仅能提升乳腺癌                            基于AI的技术手段，通过分析大量病例，可以建立
              靶区勾画的精度，还能丰富临床诊断信息。                               解剖变化与放疗剂量之间的关系，并结合患者的历
                  在基于DL的医学图像数据量有限的情况下，                          史诊疗数据预测解剖结构的变化，提前制定满足患
              现有研究多采用针对小样本的优化算法。PANG                            者实际需求的个性化放疗方案，从而优化治疗效果。


                                                             10
   9   10   11   12   13   14   15   16   17   18   19