近期，中南大学计算机学院的奎晓燕教授团队，在Meta-Radiology发表了一篇题为《A review of dose prediction methods for tumor radiation therapy》的综述论文。该综述系统梳理了2017年至2023年6月间国内外发表的有关肿瘤放射治疗（RT）剂量预测方法的研究成果。
根据2022年中国国家癌症中心的数据，2016年我国新增了大约4,064,000例癌症病例和2,413,500例癌症死亡病例。2020年全球约有1930万新发癌症病例,导致约1000万人死亡。随着人口的增长和老龄化趋势，癌症的发病率预计将继续上升，对社会和经济将产生更为深远的影响。面对这一严峻的挑战，世界各地正在积极开展精准诊断和有效治疗方面的研究。
放射治疗（RT）作为肿瘤治疗的主要手段之一。在实施前需要临床放疗医师和物理治疗师，根据计算机断层扫描（CT）影像进行模拟放疗定位，对放疗靶区（PTV）和危及器官（OAR）进行细致的分割，并应用先进的放射剂量预测算法，以准确计算和评估放疗剂量的分布，从而优化放疗计划设计。对肿瘤靶区及周围正常组织的放射剂量分布进行准确评估至关重要，这有助于使治疗剂量更加精准地瞄准肿瘤，减少对周围正常组织的影响，并更好地适应患者体内肿瘤的变化。
与繁琐的手工操作相比，基于数据驱动的肿瘤剂量预测方法能够显著提升治疗的准确度和效果，它们利用先验知识来预测新病例的结果。本研究将这些方法分为两大类：传统的基于知识的规划（KBP）方法和深度学习（DL）方法。传统KBP方法包括使用不同解剖和几何特征来构建数学或统计模型，并用于预测新病例的各种剂量学特征。而与依赖手工特征的传统KBP方法不同，深度学习（DL）方法可以从原始数据中（例如CT、轮廓线、剂量图等）自主学习图像特征。从传统KBP方法到深度学习（DL）方法的转变有助于改善癌症预后并提高患者生存率。
截至2023年6月，研究剂量预测方法的文献数量呈逐年上升趋势，表明剂量预测正逐渐成为备受关注的研究热点。而大多数关于剂量预测的研究集中在前列腺癌、头颈癌、鼻咽癌和宫颈癌。为了使相关人员能够迅速了解并选择适用的放射剂量预测算法，本研究不仅仅涵盖了放射剂量预测算法的演进历程，还对各种方法适用的癌症类型，以及优劣势进行了详尽的分析。同时，对未来该领域的可能发展方向进行了探讨。
本研究将现有剂量预测方法主要分为传统KBP方法和基于深度学习（DL）的方法。传统的KBP方法利用先验知识并采用数学模型、统计模型或机器学习方法来协助预测新病例的治疗计划，并已经集成到一些商业软件（如RapidPlan）中。而基于深度学习（DL）的方法主要包括：
（1）改进模型输入的方法：在基于深度学习的放射剂量预测中，模型的输入直接影响着模型的性能和对剂量分布的准确预测。选择适当的输入数据并进行一定的预处理是确保预测方法有效的关键步骤。为了获取足够的信息以进行准确的剂量预测，一些深度学习剂量预测模型会生成新的输入数据或采用新颖的输入格式。
（2）基于U-Net的方法：U-Net是一种全卷积神经网络（FCN），最初是为了解决医学图像分割问题而提出的。它主要由两部分组成：收缩路径，用于获取全局信息；扩展路径，用于精确定位。最终形成对称的U型结构。这种U型结构被广泛应用于剂量预测方法中。
（3）基于GAN的方法：生成对抗网络（GAN）的核心思想是利用博弈论中零和博弈的原理，构建一个对抗网络，由生成器和鉴别器组成。这种结构允许通过不断优化生成器，生成更为真实的剂量分布样本，从而更好地模拟患者体内放射治疗的实际情况，由此提高了剂量预测的准确性。
（4）其他深度学习方法：除基于U-Net、GAN的方法外，放射剂量预测领域还涌现了许多基于其他深度学习模型的方法，包括卷积神经网络（CNN）、深度卷积神经网络（DCNN）、残差网络（ResNet），扩散模型（Diffusion Models）等。尽管它们在整个领域研究中的比例相对较少，这些方法仍为实现更全面、精准的放射治疗方案提供了更多选择。
通过对现有剂量预测方法的广泛调查，本研究梳理了该领域的最新技术进展，并指出了一些亟待在未来研究中解决的关键挑战，包括罕见肿瘤类型数据不足、模型适用性和泛化性不足以及缺乏统一的评估指标。并据此提出了几个未来研究的关键方向：构建多中心大样本数据集，结合大模型提高模型的通用性，以及建立统一的评估指标标准。
总体来说，该研究填补了现有文献对最新剂量预测方法研究进展的综述不足。同时，还回顾了2017年至2020年在早期综述中被忽视的文献和被认为重要的文献。并着重总结分析了已发表文献的适用范围及优缺点，以帮助读者更好地选择适用于其案例的方法。
第一作者 奎晓燕
中南大学计算机学院教授，博士生导师。现任职中南大学信息与网络中心（信息化建设办公室）主任，湖南省芙蓉人才-托举工程中青年学者，湖南省青年骨干教师，国家级一流本科课程主讲人，建党百年湖南省教育系统优秀共产党员，湖南省芙蓉百岗明星，全国高等学校计算机教育研究会青年教师工作委员会副主任，CCF高级会员，湖南省大学计算机教学指导委员会主任，湖南省高等教育学会计算机教育专业委员会常务副理事长，湖南省物联网学会副理事长，湖南省计算机学会机器视觉与医学影像专委会副主任，湖南省人工智能学会医学人工智能专委会副主任，湖南制造强省建设专家咨询委员会委员。分别于2003年、2008、2012年在中南大学信息科学与工程学院获得学士、硕士学位和博士学位，主要研究方向为医疗大数据，医疗人工智能，医疗图像处理，智能医学影像分析，数据可视化与可视分析等。主持国家自然科学基金重点项目、面上项目、青年项目及省部级科研项目30余项，在IEEE VIS、IEEE Transactions on Mobile Computing、IEEE Transactions on Visualization and Computer Graphics、IEEE Transactions on Industrial Informatics、IEEE Internet of Things Journal、Information Fusion、Pattern Recognition Letters、电子学报、软件学报等国内外会议和期刊上发表学术论文40余篇；授权国家发明专利14项，软件著作权11项，在计算机视觉、医学图像处理、可视化与可视分析等领域具有丰富的研究经验，曾获高等教育（本科）国家级教学成果奖二等奖，湖南省技术发明奖二等奖，中国自动化学会科技进步奖二等奖，湖南省计算机学会科学技术奖二等奖，中国科技产业化促进会科技产业化二等奖等，入选“中南人物”和“中南大学十佳青年”，多次获湖南省教育工会和中南大学新闻网专题报道。
通讯作者 李钦松
中南大学大数据研究院讲师。研究方向为计算机图形学和视觉，聚焦几何计算与分析、医学影像智能分析等领域。在IEEE CVPR、Pacific Graphics、Computer Graphics Forum和Graphical Models等国内外权威学术期刊或会议发表学术论文10余篇，授权国家发明专利3项，软件著作权2项。主持国家自然科学基金青年项目和湖南省自然科学基金青年项目各1项，参与省部级及以上科研项目多项。
Xiaoyan Kui , Fang Liu , et al.A review of dose prediction methods for tumor radiation therapy，Meta-Radiology,https://doi.org/10.1016/j.metrad.2024.100057
长按/扫描获取全文（网页全文二维码）
