[论文解读] Applications of Artificial Intelligence in Particle Radiotherapy

Chao Wu, Dan Nguyen+4 more|arXiv (Cornell University)|Feb 5, 2021

Advanced Radiotherapy Techniques参考文献 118被引用 4

一句话总结

本文全面综述了人工智能（AI）在质子放射治疗中的应用，重点聚焦于治疗计划制定、自适应治疗、射程与剂量验证及其他临床工作流程。研究表明，AI 利用了质子治疗的物理优势，提升了精度与效率，但其在临床中的广泛应用仍面临诸多挑战。

ABSTRACT

Radiotherapy, due to its technology-intensive nature and reliance on digital data and human-machine interactions, is particularly suited to benefit from artificial intelligence (AI) to improve the accuracy and efficiency of its clinical workflow. Recently, various artificial intelligence (AI) methods have been successfully developed to exploit the benefit of the inherent physical properties of particle therapy. Many reviews about AI applications in radiotherapy have already been published, but none were specifically dedicated to particle therapy. In this article, we present a comprehensive review of the recent published works on AI applications in particle therapy, which can be classified into particle therapy treatment planning, adaptive particle therapy, range and dose verification and other applications in particle therapy. Although promising results reported in these works demonstrate how AI-based methods can help exploit the intrinsic physic advantages of particle therapy, challenges remained to be address before AI applications in particle therapy enjoy widespread implementation in clinical practice.

研究动机与目标

• 为现有文献中的空白提供补充，聚焦于质子放射治疗中的人工智能应用，而非一般性放射治疗。
• 识别并分类利用质子治疗固有物理特性以改善临床结果的人工智能方法。
• 评估人工智能在质子治疗中的当前发展状态，突出展示有前景的研究成果及临床实施中持续存在的挑战。
• 对质子治疗工作流程中关键阶段的人工智能应用提供结构化概述，包括治疗计划制定与实时自适应。
• 通过识别尚未充分探索的研究领域和技术障碍，为未来研究提供指导。

提出的方法

• 对质子放射治疗中人工智能应用的同行评审文献进行系统性综述，重点关注临床工作流程的整合。
• 将人工智能应用分类为四大主要类别：治疗计划制定、自适应治疗、射程与剂量验证，以及其他新兴应用。
• 分析应用于医学影像与治疗计划数据的人工智能技术，如深度学习、卷积神经网络（CNN）和强化学习。
• 评估基于患者特定影像（如 CT、PET）和治疗计划训练的人工智能模型，以预测最优射野配置与剂量分布。
• 评估基于影像反馈的实时人工智能系统在在线自适应再计划与射程不确定性校正中的应用。
• 基于报告的临床研究与体模研究结果，比较人工智能方法与传统方法在速度、准确性和鲁棒性方面的表现。

实验结果

研究问题

• RQ1 人工智能如何提升质子放射治疗计划制定的精度与效率？
• RQ2 人工智能在分次治疗过程中可如何实现实时自适应质子治疗？
• RQ3 人工智能方法如何增强质子放射治疗中的射程与剂量验证？
• RQ4 哪些关键技术与临床挑战阻碍了人工智能在质子放射治疗中的广泛应用？
• RQ5 人工智能技术在多大程度上利用了质子射束的独特物理优势（如布拉格峰）以实现更优的临床结果？

主要发现

• 基于人工智能的治疗计划方法显著缩短了计划时间，同时在计划质量上保持或优于传统方法。
• 采用人工智能的自适应质子治疗可基于每日影像实现实时再计划，从而改善靶区覆盖并减少危及器官的照射。
• 用于射程与剂量验证的人工智能模型在预测质子射程不确定性方面表现出更高的准确性，从而减少了对大量影像分次的需求。
• 基于深度学习的方法在复杂解剖区域中表现出预测患者特异性剂量分布的高空间保真度，具有广阔前景。
• 尽管在研究环境中表现优异，但人工智能在质子放射治疗中的临床实施仍受限于数据稀缺、模型可解释性不足以及监管障碍。
• 由于需要在多样化的患者群体和解剖部位中构建稳健且可泛化的模型，人工智能与现有质子治疗系统的集成仍具挑战性。