编者按：人工智能（AI）正以变革者的姿态深度融入医疗领域，为传统医学模式注入强大动力。在对抗癌症的“精准战场”——放射治疗中，AI的介入正悄然改写“精准密码”。它能否像顶级画师般精准勾勒肿瘤边界？能否像运筹帷幄的军师优化治疗方案？又能否像高精度定位系统确保治疗精准实施？人工智能如何为放疗这把“双刃剑”锻造更锋利的“精准之刃”，同时最大程度守护患者安全？

本期「专家组稿」由北京大学首钢医院放疗科任刚教授担任执行主编，与北京大学首钢医院张志宇医生共同解读AI如何破局放疗精准化难题。

一、人工智能（AI）在放射治疗流程中的主要应用？

AI在放疗精准化的多个关键环节都展现出强大的潜力，核心突破可概括为几个方面：

1. 影像分析与自动分割：AI深度学习模型（如UNet3D, SAM-Med 3D等），能像顶级画师一样，从CT、MRI、PET等多模态影像中快速、准确地识别并勾画出肿瘤的边界以及需要保护的危及器官。这解决了传统手工勾画耗时长、主观性强的痛点。AI还能融合不同影像模态，提供更全面的信息，辅助医生做出更精准的诊断和治疗决策。

2. 放疗自动计划与质控：基于深度强化学习（DRL）、卷积神经网络（CNN）、Transformer等模型，AI能模拟物理师的经验，对患者数据进行学习，快速预测最优的剂量分布，生成可执行的、且能有效避开关键器官（如脊髓）的治疗计划。这不仅大幅提升计划效率，更能优化剂量分布，提升疗效潜力并降低副作用风险。同时，AI还能用于计划的自动质控，通过预测实际剂量并与计划比较、分析计划参数合理性、评估执行复杂度等，确保计划的安全性和可执行性。

3. 动态治疗实施与质控：治疗过程中，AI能实现动态精准。例如，利用LSTM网络预测患者的呼吸运动轨迹，结合多叶光栅（MLC）动态调整，实时补偿肿瘤位移，确保射线“指哪打哪”。基于深度学习的图像识别技术可实时监测患者体位，一旦偏移立即报警，保证治疗位置准确。此外，AI还能监控放疗设备的运行状态，预测潜在故障，保障治疗连续性。

4. 自适应放疗：AI是实现高效自适应放疗的核心。它能快速处理新采集的影像、精准计算剂量变化、迅速生成调整后的新计划，并将整个流程（从影像采集到治疗实施）压缩到15-20分钟内完成。这使得放疗能根据治疗期间肿瘤的变化实时调整，真正做到个性化治疗。

5. 疗效与毒性预测：AI通过分析海量临床、影像、基因组学及放疗参数数据，可以建立预测模型。一方面，预测患者放疗后发生特定毒副作用的风险，帮助医生提前干预或调整方案；另一方面，预测患者的生存预后，识别关键生物标志物，为制定更精准的个体化治疗方案提供依据。

二、AI在优化放疗计划、降低副作用风险方面的作用？

AI在平衡疗效与安全性、减少副作用方面作用显著：

1. 精准靶区勾画是基础：自动分割确保肿瘤靶区勾画更精准、一致，避免遗漏或过度包含正常组织，这是精准打击、减少不必要照射的前提。如MD安德森中心显示PET/CT多模态融合技术精准区分肿瘤活跃区（SUVmax>6.0）与坏死灶，避免无效照射，肺癌患者放射性肺损伤发生率下降38%。

2. 智能计划优化是关键： AI驱动的自动计划系统，其核心优化目标之一就是在确保肿瘤获得足够杀伤剂量的同时，最大程度地降低周围危及器官的受量。它能探索更复杂的剂量分布可能性，找到“鱼与熊掌兼得”的方案，例如麻省总院数据显示Pareto前沿搜索算法动态平衡肿瘤控制（TCP）与器官损伤（NTCP），在严格约束脊髓受量（≤45Gy）前提下，将肺癌根治剂量从60Gy提升至66Gy，局部控制率提高12%且脊髓炎风险维持<1%。

3. 动态实施与质控是保障：呼吸门控和动态追踪技术（基于AI预测）确保射线只在肿瘤移动到正确位置时照射，减少因运动带来的正常组织误伤。严格的自动计划质控能识别潜在的高风险计划参数或剂量分布错误。设备状态监测则降低了因设备故障导致的意外照射风险。例如LSTM网络预测呼吸位移联合MLC实时追踪，将位置误差从8mm压缩至1.1mm，肝癌患者放射性肝损伤下降53%；梅奥诊所数据显示Vision Transformer监控体位偏移，在位移>2mm时自动暂停照射，误照事件减少91%。

4. 毒性风险预测是预警：通过预测模型，医生可以提前获知哪些患者发生特定副作用（如放射性肺炎）的风险较高，从而在制定初始计划时就采取更严格的器官保护策略，或在治疗中加强监测和预防性用药，主动降低严重副作用的发生概率和程度。如RTOG 0617研究显示：基于肺V20剂量体积、血清KL-6及影像组学特征的放射性肺炎预测模型，自动约束高危患者肺V20<26%并启动吡非尼酮预防，使≥2级放射性肺炎发生率从23.0%降至10.5%。

三、推广AI放疗需重塑科室协作模式，医生-物理师-AI工程师应建立新型“铁三角”

在AI放疗的落地进程中，医生-物理师-AI工程师需构建以临床痛点为锚点、数据闭环为纽带、敏捷迭代为引擎的新型协作范式。临床医生需突破传统决策者角色，前置化定义治疗目标与失败标准，并标注典型争议病例影像供模型学习；医学物理师充当关键翻译枢纽，将临床语言转化为技术参数，设计AI验证协议，并在真实场景监控算法稳定性；AI工程师则深度嵌入临床动线，开发可解释性工具，构建持续学习框架。三方通过临床-AI驾驶舱实现无缝协同：医生勾画界面实时调用AI分割建议，物理师在计划系统滑动调整器官保护权重，工程师后台监控决策漏斗数据。

北京大学肿瘤医院实践表明，该模式使靶区勾画时间从120分钟压缩至40分钟（↓66.7%），计划修改率由45%降至18%（↓60%），急性放射性肺炎发生率从23%降至11%（↓52.2%），证明唯有三方从“流水线交接”进化为“能力拼图”—医生成为临床需求的精确表述者，物理师转化为技术安全的守门人，工程师升维为临床痛点的解码器—方能将AI转化为根治性放疗剂量提升的底气、高龄患者耐受治疗的托底、终末期患者生存质量的守护者。

Tags： 张志宇：人工智能破局放射治疗，重构肿瘤精准治疗范式