Page 16 - 《中国医疗器械杂志》2026年第1期
P. 16

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

                                                     医  学  人   工  智  能



                          [45]
              的。BAKX等 对比了两种自动放疗计划生成模型                           破，其通过影像引导技术可以实时追踪患者呼吸或
              在乳腺癌放疗中的性能，一种基于U-Net结构，一                          位移导致的肿瘤和器官的位置变化，并与原始治疗
              种由RaySearch开发和集成，基于上下文图集回归                        计划进行动态的比对分析。当检测到明显的变化
                  [46]
              森林 。该实验使用了90名患者的治疗计划作为数                           时，AI算法可以自动触发放疗计划更新流程，结合
              据集，其中训练集包含72名患者的计划，验证集包                           目前的实际情况快速生成适应患者解剖结构的优化
              含18名患者的计划。结果表明，这两种模型的                             方案 。这种动态调整机制不仅保证了放疗过程中
                                                                    [44]
              OAR预测剂量之间的差异较小，与临床无关。这两                           放射剂量始终能精确作用于乳腺癌靶区，而且有效
              种模型都显示出在乳腺癌自动治疗规划方面的潜力。                           降低了因患者解剖结构变化带来的治疗不确定性，
                  AI在乳腺癌自动放疗计划中的应用核心，在于                         提升了治疗的精确度和安全性。
              平衡靶区剂量覆盖与OAR保护。研究表明，基于
                                                                 3    结论与展望
              解剖结构预测的ART技术，可建立患者特异性剂量
              分布模型，动态适配提升计划质量。这实现了乳腺
                                                                    随着AI技术相关研究和应用的快速发展，以
              癌放疗的核心创新价值：将经验驱动的静态计划转
                                                                DL为代表的AI技术在乳腺癌放疗领域的应用愈发
                                         [47]
              变为数据驱动的动态治疗闭环 。
                                                                    [50]
                                                                广泛 ，目前已被成功整合到放疗的临床工作流程
               2    AI在乳腺癌放疗中的创新点与优势                            中，在乳腺癌影像的分析处理、靶区自动勾画和治

                                                                疗计划优化等关键环节发挥了重要作用。这些技术
               2.1    自动化与智能化
                                                                应用不仅提高了放疗在临床应用中的实施效率，而
                  AI技术在乳腺癌放疗各阶段的应用已形成全自
                                                                且显著提升了放疗的精准性，为开展个体化放疗提
              动化流程，覆盖了从乳腺癌靶区勾画到放疗剂量优
                                                                供了技术支持。
              化的各个环节，大幅提升了临床检测的工作效率。
                                                                    尽管目前AI技术在乳腺癌放疗中展现出巨大的
              传统手工方法需要数小时至数天才能完成乳腺癌放
                                                                                                    [51]
                                                                应用潜力，但其仍然面临诸多现实挑战 。首先是
              疗流程 ，而AI算法则可以在较短时间内生成初步
                    [27]
                                                                大模型领域常见的模型泛化性问题在医疗领域表现
                  [31]
              方案 。这种效率的提升使得物理师和临床医生能
                                                                得尤为突出。由于不同医疗机构的影像设备和检查
              够将更多时间投入方案审核和疑难病例处理中。此
                                                                流程存在明显差异，获取到的影像数据存在较高异
              外，AI系统具备持续学习的能力，能够根据目前领
                                                                质性 ，模型在跨机构影像应用时性能波动明显，
                                                                    [52]
              域内最新的临床数据和研究成果不断优化算法性
                                                                增加了临床推广难度。其次是模型的可解释性不
              能。这种自我更新机制确保了放疗计划质量的持续
                                                                足。DL模型的“黑盒”特性和复杂的结构，使其
              改进，使治疗方案始终保持在较高水准。
                                                                在决策时的步骤和过程难以理解，而医疗领域在进
               2.2    多模态数据整合
                                                                行诊断决策时需要明确的依据，这与临床实际应用
                  DL技术在乳腺癌放疗中实现了多模态医学影
                                                                相悖。而且其不能提供充分的解释也影响了临床医
              像学数据的整合和应用，突破了传统单一数据类型
                                                                生对诊断结果的信任度，同样限制了患者对治疗方
              带来的局限性，将影像学特征、病理学信息和基因
              组学数据进行有机结合，通过分析医学影像的形态                            案的接受程度。这两个问题的存在明显制约了AI技
              学特征、数字病理的细胞学特点以及基因表达谱，                            术在临床实践中的深入应用。
              构建全面丰富的癌症患者特征模型。近期一项纳入                                为了推动AI技术在乳腺癌放疗领域未来的发
                                         [8]
              156例患者的前瞻性临床研究 将这一技术框架落                           展，需要从以下几个方面入手               [52-53] ：①在泛化性问
              地实践，验证集曲线下面积（area under the curve,                题方面，开发基于联邦学习的多中心协作平台，采
              AUC）提升至0.872，特异度达91.67%，证明模型                      用分布式机器学习架构在各医疗机构间共享模型参
              在独立队列中的泛化性远超传统单一影像模型（如                            数，而不泄露原始数据，不仅可以保护患者的隐
              钼靶单项预测AUC≈0.76）。因此，结合多模态数                         私，还能有效解决数据异质性带来的泛化性问题。
              据的多维度分析方法显著提高了乳腺癌预后判断的                            ②在模型可解释性方面，制定分级诊疗AI伦理规
              准确性   [48-49] ，能在早期阶段快速识别癌症高复发风                   范。研究人员应根据AI系统的风险等级和应用场
              险患者，为临床制定个体化治疗方案提供科学依据。                           景，建立差异化的监管标准：对于诊断辅助类应用
               2.3    实时监测与动态调整                                 需要更严格的可解释性要求，而对于流程优化类工
                  在乳腺癌ART中，AI技术同样实现了重要突                         具则可适当放宽要求。这种分级管理既能保障患者


                                                             12
   11   12   13   14   15   16   17   18   19   20   21