Page 15 - 《中国医疗器械杂志》2026年第1期
P. 15

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

                                                     医  学  人   工  智  能




                                          表1   基于AI的乳腺癌靶区自动勾画方法及结果对比
                            Tab.1  Comparison of AI-based automatic target volume contouring methods and results for breast cancer
                   研究者        分割内容             方法                   创新点                     结果及评价
                                                            跨角色对比,量化放射肿瘤 在切线野乳腺癌放疗中,放疗师和
              BATUMALAI等   [27]  乳腺CTV  人工                  科专家和放疗师靶区勾画的 放射肿瘤科专家勾画的临床靶区存
                                                            一致性                   在显著差异,一致性较差
                                                            在乳腺癌放疗临床实践中,
                             左侧乳腺癌                                                基于U-Net训练的勾画模型更接近医
                      [28]
              王沛沛等                     U-Net和V-Net          系统比较U-Net与V-Net模型
                             CTV                                                  师的勾画
                                                            的自动分割性能
                                                            提出DL自动分割系统,显          基于DL的自动勾画系统在OAR的勾
                     [29]
              BYUN等          乳腺OAR     基于DL的自动勾画系统
                                                            著减少器官勾画的差异            画上与专家手动勾画结果表现相当
                                                            首创基于3D U-Net+Efficient 所有CTV和OAR的结果均可接受,
                             乳腺CTV和
                       [30]
              CHUNG等                   3D U-Net+EfficientNet-B0 Net-B0的全靶区/OAR自动  所有OAR的平均DSC>0.80,所有
                             OAR
                                                            勾画                    CTV的平均DSC>0.70
                                                                                  基于DL的自动勾画方法具有很高的
                             鼻咽癌、乳                          首创鼻咽癌、乳腺癌、直肠
              周含等   [33]     腺癌和直肠     手动勾画和                癌多癌种OAR自动勾画的         ( 临床研究价值,乳腺癌所有OAR
                                       AccuContour勾画
                                                                                   包括肺、心脏与脊髓)均获得很
                             癌的OAR                          剂量学验证体系
                                                                                  好的勾画效果(DSC>0.70)
                                                                                  两款软件整体勾画效果均比较好;
                             鼻咽癌、肺                                                对于体积较大的OAR,勾画效果要
              束炅等   [34]     癌、乳腺      AccuContour和         首创多癌种自动勾画软件的          优于体积较小的器官;AccuContour
                                                            精度验证体系
                                       DeepViewer
                             癌、宫颈癌                                                软件的勾画效果优于DeepViewer
                                                                                  软件
                                                                                  自动勾画技术能以较高的精度完成
                             乳腺癌患者                          首创“云平台+深度学习” 乳腺癌患者左心房、右心房、左心
              陈子印等    [35]             AIContour
                             心脏亚结构                          的自动勾画,六维验证精度 室、右心室的勾画,具有远程协作
                                                                                  的优势,值得推广运用
                                                            首创“加权多模态U-Net融 所提方法优于现有的单模态和多模
              MISRA等  [37]   乳腺        W-MM-U-Net           合”机制,实现乳腺癌B超/ 态方法,能提高放射科医生在超声
                                                            弹性成像同步分割              图像中检测乳腺癌的分类准确性
                                                            首创基于AFNet的多模态融 所提方法能够有效地分割乳腺病变
              CHO等  [38]     乳腺        MMF-U-Net            合网络,同步优化乳腺癌分 区域,并能可靠地区分良性病变和
                                                            割与良恶性分类               恶性病变
                                                                                  乳腺癌靶区勾画DSC=0.85,适用于
              PANG等  [39]    乳腺        SS-GAN               提出SS-GAN框架
                                                                                  罕见亚型病例,鲁棒性优异
                                                                                  该模型修改后的U-Net 3+架构具有
                                                            首创“恒等残差块+GAN改
              ALRUILY等  [40]  乳腺       U-Net 3+             进U-Net 3+”混合架构        较好的勾画效果,获得了95.49%的
                                                                                  DSC评分和95.67%的准确率
                                       U-Net、U-Net++、                             U-Net++算法的自动勾画效果最好,
                                       DenseNet、            首创乳腺MRI图像勾画多方 而U-Net算法在验证性和可推广性方
                                       FCNResNet50、
                         [31]
              NARIMANI等      乳腺                             法对比评估体系,提出新型 面最优。FCNResNet50的鲁棒性次于
                                       FCNResNet101、        边界定义                  U-Net++。在边界检测方面,U-Net
                                       DeepLabv3ResNet50和                         和U-Net++的性能优于其他模型
                                       DeepLabv3ResNet101
                                                            首创NCA与SGS融合框架, 该方法能提高自动勾画的准确性并
              ALI等 [32]      乳腺        结合SGS和M3D-NCA        设计新型损失函数和去卷积 减少假阳性,获得可靠、准确的肿
                                                            实现自动勾画                瘤分割

                         [44]
                  AHN等 开发了一种基于DL的自动放疗计划                         计划的数据库来生成训练和验证数据集。研究
              生成方法,该方法利用计划靶体积(planning target                   表明,该方法能准确预测左侧乳腺癌患者自动放疗
              volume, PTV)和OAR的轮廓图像,通过基于U-                      的特定剂量。研究还将预测的效率和准确性与
              Net的修正剂量预测神经网络,完成患者放疗计划                           RapidPlan放疗工具进行了比较,发现他们提出的DL
              的制定。利用一个包含50个左侧乳腺癌患者容积调                           模型得到了更优越的剂量预测结果和更短的计划
              制弧治疗(volumetric modulated arc therapy, VMAT)      时间,证明使用DL进行自动放疗计划生成是可行


                                                             11
   10   11   12   13   14   15   16   17   18   19   20