立体定向放射治疗发展概述
内容提要
该文汇总多项AI辅助放疗研究：利用δ放射组学分析肺部立体定向放疗短期影像表现；提出RT-SRTS方法，从单张X射线投影实时完成3D重建与肿瘤分割，约70毫秒；用多模态成像与集成神经网络自动分割脑转移灶；基于深度学习自动勾画全身放疗靶区；从少量X射线生成CT用于放疗计划；发布UCSF-BMSR脑转移MRI数据集；用高斯过程与神经网络量化医师和AI推荐不确定性；开发DeepMRIRec加速MRI重建；自动化直肠癌三维适形放疗计划；用三元约束Transformer预测宫颈癌剂量分布。
延伸解读
AI在放疗中的多环节渗透
文章汇总的研究覆盖了放疗全流程：从影像重建（如RT-SRTS实时3D重建、DeepMRIRec加速MRI）、靶区与危及器官勾画（脑转移灶分割、全身放疗靶区自动勾画），到治疗计划生成（直肠癌自动化计划、宫颈癌剂量预测）以及不确定性量化。这表明AI正逐步融入放疗的各个环节，而非局限于单一任务。
实时成像与分割的技术突破
RT-SRTS方法能从单张X射线投影同时完成3D重建和肿瘤分割，耗时约70毫秒，远快于实时肿瘤跟踪的阈值。这种速度优势为实时影像引导放疗提供了可能，但文章也指出该方法仅在十个患者病例上评估，其泛化能力和临床稳定性仍需更大规模验证。
数据与不确定性量化的重要性
UCSF-BMSR数据集提供了560例患者的5136个脑转移灶标注，为AI研究提供了公共资源。同时，有研究利用高斯过程和神经网络量化医师与AI推荐的不确定性，这有助于识别AI决策的可靠边界，提升临床信任度。这些工作提示，高质量数据和不确定性管理是AI放疗应用落地的关键支撑。
从研究到临床的潜在挑战
多项研究展示了AI在自动勾画、计划生成和影像加速方面的潜力，例如DeepMRIRec将扫描时间缩短四倍，直肠癌自动化计划达到临床可接受水平。然而，这些成果多基于回顾性数据集，实际临床部署还需解决工作流整合、监管审批和跨机构泛化等问题。读者应关注后续前瞻性验证结果。
Q&A
RT-SRTS方法在立体定向放射治疗中有什么作用？
RT-SRTS是一种基于多任务学习的成像方法，能够从任意角度的单一X射线投影中实时同时进行3D重建和肿瘤分割，整个过程约70毫秒，远快于实时肿瘤跟踪的时间阈值。
UCSF-BMSR数据集是什么？
UCSF-BMSR是一个公共的多模态MRI数据集，包含560名患者的5136个脑转移灶的专家标注，旨在推动脑转移灶AI应用的研究。
DeepMRIRec如何加速MRI重建？
DeepMRIRec是一种基于深度学习的方法，可从与放疗特定接收线圈排列获取的欠采样数据进行MRI重建。在儿童脑肿瘤患者中评估，将扫描时间缩短了四倍，结构相似性得分达到0.960，超过了当前最先进方法的0.896。
如何利用少量X射线生成CT用于放疗计划？
通过使用先前数据分布，提出了一种方法，从少量（少于5）平面X射线观察中生成CT体积，并首次评估了该重建算法用于临床应用：放疗计划。
在立体定向放射治疗中，如何量化医师和AI推荐的不确定性？
使用高斯过程模型和深度神经网络来量化医师和AI推荐给出的治疗结果的不确定性，并将其用作指导临床医师和提高AI模型性能的准则，在一个综合数据集上演示了该方法。
深度学习如何自动化直肠癌的三维适形放疗计划？
开发了一种自动化的三维适形放射治疗工作流程，结合了深度学习的预测和前向规划算法，用于直肠癌治疗，从而生成具有临床可接受性的计划，研究证明其可以成功自动化生成放疗计划。
