中国科学技术大学医学物理研究团队近日在人工智能自动生成放射治疗计划方面取得重要进展。研究团队提出了使用癌症患者CT影像中的器官结构信息，利用人工智能深度学习神经网络自动生成放疗计划的方法。该方法跳过耗时最长的放疗计划逆向优化迭代过程，在保证治疗计划质量的同时，大幅缩短了计划制定时间。生成的自动放疗计划100%满足临床质量控制要求，能够直接在放疗加速器上执行。相关研究成果以“Accelerate treatment planning process using deep learning generated fluence maps for cervical cancer radiation therapy”为题在《Medical Physics》上在线发表。中国科学技术大学物理学院研究生袁曾泰和附属第一医院离子医学中心临床物理师王宇翔为论文的共同第一作者，中国科学技术大学杨益东教授为通讯作者。

 近年来，人工智能尤其是以卷积神经网络为代表的深度学习方法在医学成像和放射治疗领域得到了广泛关注。放射治疗是一种重要的癌症治疗手段，超过50%的癌症患者都会接受放疗。但是，传统的放射治疗计划制定过程需要物理师和医生全程参与，其逆向优化需要反复试错，直到得到最优的放疗计划。通常一个计划要耗费半天甚至更长的时间，并且放疗计划的质量依赖于物理师的经验。目前广泛研究的基于先验知识的方法是预测放疗计划可达到的剂量，然后将预测结果用作剂量约束进行逆向优化，所以无法越过逆向优化过程。科大医学物理团队的方法则是通过设计新型的神经网络（two-stage attention-aware neural network）直接预测放射通量图生成治疗计划，完全绕过了逆向优化过程，计划制定时间从传统的几个小时缩短到5分钟以内。而且，研究团队将自动生成的治疗计划在放疗直线加速器上执行，执行结果跟人工手动生成的计划没有统计差别，执行通过率100%。

 该方法的执行框架以及与人工方法的比较如图1。利用该方法为宫颈癌患者生成的可执行的调强放射治疗计划结果如图2。对比传统手工放疗计划和自动放疗计划的三维剂量分布图和剂量体积直方图可以观察到，两者具有高水平的剂量学相似性。并且，自动计划在治疗机器上具有与手工计划相同的执行效率。

图 1(a) 自动计划和传统手工计划的工作流程比较。  (b)深度学习自动计划框架。

图 2  （a）宫颈癌患者手工计划和自动计划的三维剂量分布比较。（b）同一患者的手工计划（实线）和自动计划（虚线）剂量体积直方图比较。

  该研究得到了中央高校基本科研业务费专项资金和安徽省科技重大专项的资助。