基于知識的放射治療技術(shù)研究

陳思佳，石麗婉，林勤

廈門大學(xué)附屬第一醫(yī)院腫瘤放療科，福建廈門361000

前言

隨著放射治療技術(shù)的發(fā)展和對放射治療精準(zhǔn)度要求的不斷提高，放療工作者們對放療計(jì)劃的評判標(biāo)準(zhǔn)也提出了更高的要求。由于個(gè)體組織結(jié)構(gòu)、評價(jià)標(biāo)準(zhǔn)和經(jīng)驗(yàn)認(rèn)知上的差異，物理師和醫(yī)師對靶區(qū)和危及器官（Organ-at-Risk,OAR）的優(yōu)化條件處理和最終計(jì)劃的評判標(biāo)準(zhǔn)上有著不同的側(cè)重點(diǎn)。而放療計(jì)劃在設(shè)計(jì)和評價(jià)環(huán)節(jié)中人的主觀因素將會(huì)直接影響到最終放療計(jì)劃的質(zhì)量。在對數(shù)家醫(yī)院獲取的各部位調(diào)強(qiáng)放療計(jì)劃的劑量學(xué)分析中不難發(fā)現(xiàn)，即便是符合臨床治療標(biāo)準(zhǔn)的計(jì)劃，仍有63%的患者靶區(qū)接收到不足90%的給定劑量，而46%的患者接收到的劑量超過給定劑量的110%，也就是臨床提到的“冷熱點(diǎn)”。而冷熱點(diǎn)的差異程度也隨著靶區(qū)和危及器官的復(fù)雜程度逐漸增加［1］。目前針對如何提高放療計(jì)劃質(zhì)量，傳統(tǒng)的改進(jìn)方法包括優(yōu)化模型目標(biāo)函數(shù)的改進(jìn)和放療參數(shù)優(yōu)化等手段。近年來通過人工智能技術(shù)進(jìn)行放療優(yōu)化的方式逐漸為人們所關(guān)注［2］?；谥R的放射治療技術(shù)（Knowledge-Based Radiation Therapy,KBRT）為放療計(jì)劃設(shè)計(jì)的同質(zhì)化提供了解決方案，在一定程度上彌補(bǔ)了因物理師和醫(yī)師的主觀因素造成的計(jì)劃質(zhì)量差異，為放療計(jì)劃設(shè)計(jì)自動(dòng)優(yōu)化條件提供了參照。同時(shí)KBRT 還縮短了放療計(jì)劃優(yōu)化時(shí)長，為新計(jì)劃提供可能的范圍作為優(yōu)化參考，提高了整體優(yōu)化效率。諸多的優(yōu)點(diǎn)使得對KBRT的研究在近年來逐步增加，不少研究者表示KBRT 或?qū)⒊蔀橄乱淮詣?dòng)計(jì)劃系統(tǒng)的重要突破口，而廣泛地開展前瞻性方面的研究將會(huì)讓這項(xiàng)技術(shù)得到更廣闊的應(yīng)用空間［3-4］。

1 KBRT的相關(guān)概念和實(shí)現(xiàn)過程

1.1 KBRT技術(shù)的相關(guān)概念

在解決應(yīng)用領(lǐng)域中較為復(fù)雜的問題時(shí)，除利用基本原理和常識之外通常還需要借助領(lǐng)域內(nèi)專家的經(jīng)驗(yàn)知識來支持人們做出正確的決策和行動(dòng)。而在放療計(jì)劃設(shè)計(jì)的過程中也面臨著類似的狀況。當(dāng)下通過人工設(shè)置條件進(jìn)行反復(fù)迭代優(yōu)化依舊是大部分計(jì)劃系統(tǒng)采用的主要優(yōu)化方式。該方法在優(yōu)化期間會(huì)消耗物理師大量的時(shí)間與計(jì)劃系統(tǒng)（Treatment Planning System,TPS）進(jìn)行交互迭代，且物理師的經(jīng)驗(yàn)和判斷將顯著地影響計(jì)劃的結(jié)果和質(zhì)量，經(jīng)驗(yàn)豐富的物理師往往可以用更短的時(shí)間做出更符合臨床需求的計(jì)劃。如何將豐富的臨床經(jīng)驗(yàn)和實(shí)踐運(yùn)用到保障放療計(jì)劃質(zhì)量，同時(shí)兼顧優(yōu)化效率成為了研究者關(guān)注的重點(diǎn)問題。KBRT 選取了具有相同或相近特征（如病種、放療技術(shù)、體位固定等）的一類臨床放療計(jì)劃，由資深物理師進(jìn)行審核或再優(yōu)化后加入數(shù)據(jù)庫中，通過生成特定規(guī)則以匹配數(shù)據(jù)庫中的計(jì)劃或訓(xùn)練生成的模型預(yù)測組織劑量范圍，最終獲得相應(yīng)的約束條件以進(jìn)行自動(dòng)或者半自動(dòng)計(jì)劃設(shè)計(jì)。利用該項(xiàng)技術(shù)，一方面可以對尚未優(yōu)化的放療計(jì)劃進(jìn)行預(yù)測分析，估計(jì)危及器官和靶區(qū)可能的劑量-體積直方圖（Dose-Volume Histogram,DVH）分布范圍，為臨床計(jì)劃提供參考；另一方面可以結(jié)合計(jì)劃系統(tǒng)的優(yōu)化算法，在無人為干預(yù)的情況下根據(jù)模型提供的優(yōu)化參數(shù)對計(jì)劃進(jìn)行初步的優(yōu)化，提供滿足臨床要求的早期結(jié)果，提升計(jì)劃優(yōu)化過程的工作效率。

1.2 KBRT技術(shù)的實(shí)現(xiàn)方法

盡管KBRT 的理論在20 世紀(jì)80年代就已提出［5］，但受限于當(dāng)時(shí)的技術(shù)水平無法真正地實(shí)現(xiàn)對原計(jì)劃的改進(jìn)。而通過算法實(shí)現(xiàn)KBRT 出現(xiàn)在機(jī)器學(xué)習(xí)等人工智能相關(guān)概念興起之后。利用先驗(yàn)知識和數(shù)據(jù)，通過一系列規(guī)則和算法賦予計(jì)算機(jī)學(xué)習(xí)模擬人類解決復(fù)雜問題能力的方法稱為機(jī)器學(xué)習(xí)，它是人工智能研究的重要分支［6］。目前機(jī)器學(xué)習(xí)已在多模態(tài)圖像融合、靶區(qū)勾畫、放療計(jì)劃和質(zhì)量控制等多個(gè)放療領(lǐng)域取得了突出的進(jìn)展［7-9］。研究者通過分析和提取病人的幾何結(jié)構(gòu)和劑量分布等相關(guān)信息，運(yùn)用算法和規(guī)則建立特征與模型的聯(lián)系進(jìn)行比較分析并生成對應(yīng)的統(tǒng)計(jì)模型。在有新的查詢病例作為輸入時(shí)，上述規(guī)則或模型可以挑選出合適的案例或形成可能的分布區(qū)間來預(yù)測新病人的劑量-體積直方圖，并通過不斷增加數(shù)據(jù)和訓(xùn)練的方式來完善這類模型。目前能夠?qū)崿F(xiàn)KBRT 技術(shù)的兩類主要方法是特征檢索法和機(jī)器學(xué)習(xí)。

1.2.1 KBRT 中的特征檢索法在收集足夠多高質(zhì)量的臨床放療計(jì)劃后，如何用這些數(shù)據(jù)有效地指導(dǎo)和進(jìn)行新計(jì)劃的優(yōu)化，達(dá)到甚至超越經(jīng)驗(yàn)豐富的物理師水平成為了KBRT最為核心的問題。

在研究中，高質(zhì)量的計(jì)劃通過預(yù)處理將特征形成索引目錄。當(dāng)輸入新的查詢計(jì)劃時(shí)，通過一系列特征提取和相關(guān)性計(jì)算后與庫中的信息進(jìn)行檢索或匹配，找出最適配的計(jì)劃作為參考計(jì)劃對原計(jì)劃進(jìn)行改進(jìn)。由于解剖結(jié)構(gòu)近似的計(jì)劃在劑量分布上也常常比較接近，因而通過檢索相似解剖結(jié)構(gòu)的計(jì)劃并對其射野進(jìn)行形變調(diào)整的想法在早期的KBRT 被廣泛使用［10-11］。這種形變?yōu)榻⒃谟?jì)劃中射束視野（Beam's Eye View,BEV）下的二維形變配準(zhǔn)，這些二維光束的視線圖像首先與方差配準(zhǔn)對齊，然后使用互信息（Mutual Information, MI）度量計(jì)算相似度。找到最接近的匹配點(diǎn)后，將計(jì)算出的約束條件和變形后的通量圖輸入到治療計(jì)劃系統(tǒng)中，并使用匹配計(jì)劃的約束條件生成新的治療計(jì)劃。這一過程也可以通過對PTV 的三維形變配準(zhǔn)后進(jìn)行，最終得到的劑量分布與二維形變結(jié)果相比較沒有太大的差別［11］。

同樣的，以重疊體積直方圖（Overlap Volume Histogram, OVH）作為檢索算子對數(shù)據(jù)庫中的計(jì)劃進(jìn)行檢索，尋找最優(yōu)解的方式也被用于KBRT早期的研究之中。OVH被定義為PTV對應(yīng)外擴(kuò)的虛擬體積與OAR 的重疊體積在OAR 中的占比。在PTV 擴(kuò)展距離增加時(shí)，PTV 與OAR 重疊接近100%。利用OVH 算子可以大致判斷出PTV 與OAR 的簡易三維形態(tài)關(guān)系，進(jìn)而通過該關(guān)系對庫中進(jìn)行過OVH 預(yù)處理的計(jì)劃進(jìn)行檢索，找出與目標(biāo)相匹配的計(jì)劃用于DVH預(yù)測或者計(jì)劃的半自動(dòng)優(yōu)化［12-13］。

對于這類基于檢索法為基礎(chǔ)的KBRT，都是簡單地利用了解剖結(jié)構(gòu)、射野幾何結(jié)構(gòu)或者幾何結(jié)構(gòu)算子來快速查詢到庫中相配對的計(jì)劃，進(jìn)而將配對計(jì)劃的優(yōu)化條件等臨床經(jīng)驗(yàn)運(yùn)用于查詢的新計(jì)劃之中。但在實(shí)際操作中，由于各個(gè)OAR與靶區(qū)之間的相對關(guān)系較為復(fù)雜，單一檢索算子的分析篩選只能滿足少部分簡易的靶區(qū)結(jié)構(gòu)，而在劑量方面只是在線束射野的二維平面下的通量改變。這在一定程度上對于KBRT在三維劑量分布的準(zhǔn)確性上產(chǎn)生了影響。

1.2.2 KBRT 中的機(jī)器學(xué)習(xí)伴隨著放療技術(shù)的發(fā)展和對空間劑量分布的重視，人們更希望計(jì)劃在滿足DVH 的前提下提高空間劑量分布的準(zhǔn)確性。但如果將患者體內(nèi)的三維劑量分布與放射治療中相關(guān)的幾何結(jié)構(gòu)等因素相關(guān)聯(lián)進(jìn)行預(yù)測分析，將會(huì)形成高維的數(shù)據(jù)集合，在提高系統(tǒng)精準(zhǔn)度的同時(shí)帶來巨大的計(jì)算量。而這些幾何結(jié)構(gòu)的因素往往又因?yàn)槊總€(gè)特定患者具有復(fù)雜的靶區(qū)結(jié)構(gòu)，導(dǎo)致無法在不丟失重要數(shù)據(jù)的情況下有效地壓縮信息量或減少數(shù)據(jù)的維度。然而，通過主成分分析法（Principal Component Analysis，PCA）提取最顯著特征來表征，可以大大減少數(shù)據(jù)維度，使得數(shù)據(jù)集可以在結(jié)合三維劑量分布提升預(yù)測準(zhǔn)確度的同時(shí)減少大量的計(jì)算量［14］。

研究者為每個(gè)OAR 創(chuàng)建了一個(gè)劑量-靶區(qū)直方圖（Dose-to-Target Histogram, DTH），以便在PCA 計(jì)算過程中與PTV 和OAR 的DVH 共同使用。其中DTH 與OVH 的概念相同，即PTV 對應(yīng)外擴(kuò)的虛擬體積與OAR的重疊體積在OAR中的占比。

對庫中m個(gè)計(jì)劃中每個(gè)OAR 的DVH 和DTH 進(jìn)行采樣，生成特征點(diǎn)的m維分量向量。移動(dòng)特征空間的原點(diǎn)使其表示平均特征值，并對這些特征點(diǎn)進(jìn)行規(guī)范化處理。在這一坐標(biāo)系中建立m×m協(xié)方差矩陣，并進(jìn)行奇異值分解（Singular Value Decomposition, SVD）得到m個(gè)特征向量和特征值。由于DVH 和DTH 變化較大的成分將產(chǎn)生更重要的幾何數(shù)據(jù)，因此被識別的主成分被用來進(jìn)行模型訓(xùn)練。在m維數(shù)據(jù)中，這種特定挑選的特征可以顯著減少計(jì)算消耗。

在回歸型支持向量機(jī)(Support Vector Regression,SVR）建立的映射下，通過輸入幾何體中提取主成分，并將逆旋轉(zhuǎn)和平移應(yīng)用于該空間，進(jìn)而還原到構(gòu)建相關(guān)矩陣的原始特征空間，最終預(yù)測患者正常組織可能的DVH范圍［15］。

Varian 公司研發(fā)的Rapidplan 功能運(yùn)用機(jī)器學(xué)習(xí)的方法，并在上述基礎(chǔ)上提出了GEDVH 的概念，詳細(xì)規(guī)范了幾何參數(shù)并進(jìn)行主成分分析，通過幾何參數(shù)的回歸模型預(yù)測DVH。同時(shí)結(jié)合了其臨床的TPS進(jìn)行使用，通過模型訓(xùn)練的方式逐步提高放療計(jì)劃預(yù)測的準(zhǔn)確率，現(xiàn)已成為可進(jìn)行高質(zhì)量放療計(jì)劃設(shè)計(jì)和質(zhì)控的TPS工具。

2 KBRT的研究熱點(diǎn)和臨床實(shí)踐

隨著KBRT 概念的提出和相關(guān)軟件在放療計(jì)劃系統(tǒng)中的應(yīng)用，人們開始逐漸關(guān)注到這一領(lǐng)域并對其進(jìn)行了各種嘗試和探索，并在研究的過程中重點(diǎn)關(guān)注KBRT 在臨床方面的實(shí)踐、KBRT 計(jì)劃與常規(guī)放療計(jì)劃的對照研究、KBRT 與其他放療技術(shù)的結(jié)合等幾個(gè)方面。這些研究對于KBRT 在臨床實(shí)踐中的流程化和規(guī)范化使用給予了極大的幫助。

2.1 KBRT在多種腫瘤放療中的應(yīng)用及對于計(jì)量學(xué)評價(jià)標(biāo)準(zhǔn)的改進(jìn)

在已知的KBRT早期研究中，基于知識的放療計(jì)劃優(yōu)化（Knowledge-Based Planning, KBP）的探索涵蓋了絕大部分可以進(jìn)行放射治療的病種，如頭頸部腫瘤［10,16］、乳腺腫瘤［17］、直腸腫瘤［18］和前列腺腫瘤［3,10,14］等。在這些研究中可以了解到，通過訓(xùn)練的KBP 模型所生成的計(jì)劃可以初步滿足臨床的要求，在優(yōu)化效率上也顯著優(yōu)于常規(guī)計(jì)劃方式。因此，如何在滿足臨床要求的基礎(chǔ)上提高劑量學(xué)的評判標(biāo)準(zhǔn)成為了研究的重點(diǎn)。

為了減小不同醫(yī)療機(jī)構(gòu)間調(diào)強(qiáng)放療計(jì)劃的差異，減小冷熱點(diǎn)的發(fā)生，Good等［18］采集了大型癌癥放療中心132 例無冷熱點(diǎn)的前列腺癌病人調(diào)強(qiáng)放療計(jì)劃生成了KBRT模型，并利用該模型對其他醫(yī)療機(jī)構(gòu)的前列腺癌調(diào)強(qiáng)放療計(jì)劃實(shí)施了射野形變配準(zhǔn)和再計(jì)劃。研究對比可以發(fā)現(xiàn)對于95%的案例而言，KBP 在均勻性和同質(zhì)性方面并不遜于原計(jì)劃。KBRT 能夠成為具備豐富臨床經(jīng)驗(yàn)的醫(yī)療機(jī)構(gòu)推廣專業(yè)放療技術(shù)的媒介。

較傳統(tǒng)放療計(jì)劃而言，KBP 所生成的計(jì)劃的優(yōu)越性主要體現(xiàn)在面對多靶點(diǎn)和多OAR摻雜時(shí)所表現(xiàn)出的計(jì)劃的一致性和適應(yīng)度等特性。而針對這一點(diǎn)，Tol等［19］在對頭頸部這類具有復(fù)雜靶區(qū)和OAR結(jié)構(gòu)的計(jì)劃進(jìn)行劑量學(xué)比較和評估后也得到了相似的結(jié)論。目前而言，KBRT 基于DVH 的方法的關(guān)鍵限制是缺乏空間信息，物理師可能需要額外的工作來改善模型或者人工干預(yù)來處理OAR和靶區(qū)可能會(huì)出現(xiàn)的劑量分布不均和高劑量點(diǎn)等意外狀況。

2.2 模型相關(guān)參數(shù)和離群值的研究

像Rapidplan 這類需要進(jìn)行建模的KBRT 應(yīng)用為使用者提供了建模過程會(huì)遇到的統(tǒng)計(jì)學(xué)參數(shù)，不同參數(shù)對應(yīng)著不同的劑量和幾何關(guān)系。在建模過程中，使用者需要進(jìn)行多次的數(shù)據(jù)檢查和篩選工作，以保證最終驗(yàn)證模型能夠順利地進(jìn)行DVH預(yù)測。同時(shí)模型在每次訓(xùn)練后也會(huì)反饋回歸參數(shù)和圖表，供使用者對強(qiáng)影響點(diǎn)和離群值進(jìn)行分析和處理。可以說一個(gè)模型的成功與否很大程度上取決于這些模型異常值的取舍上。

Sheng 等［20］在研究盆腔部KBRT 離群值對于模型整體影響時(shí)發(fā)現(xiàn)，針對幾何和劑量離群值的細(xì)致分析可以提高模型的質(zhì)量。由于離群值會(huì)對模型庫初始數(shù)值的普通最小二乘回歸線產(chǎn)生影響以滿足回歸線覆蓋模型庫中的所有數(shù)值，尤其是劑量離群值較幾何離群值而言具有更明顯的擾動(dòng)效應(yīng)，但在優(yōu)先級上應(yīng)優(yōu)先處理幾何離群值。Delaney 等［21］在對頭頸部腫瘤模型離群值的進(jìn)一步研究中提出了不同的觀點(diǎn)，他認(rèn)為對一個(gè)由大量連續(xù)數(shù)據(jù)組成的合適模型而言，花費(fèi)時(shí)間進(jìn)行反復(fù)的離群值剔除處理是不必要的。數(shù)據(jù)顯示，去掉幾何和劑量離群值對KBP 模型而言并不能從總體上提高計(jì)劃的質(zhì)量，因?yàn)榛貧w曲線并未因離群值的大量去除而發(fā)生變化。而對于一個(gè)一致性較好的模型而言，模型預(yù)測的范圍隨著參雜的離群值數(shù)量的增加而變寬，并且顯示出預(yù)測范圍向著高劑量區(qū)偏移的特點(diǎn)，這可以有效地減少過擬合現(xiàn)象的出現(xiàn)。而越來越多的證據(jù)顯示，模型通過大量的數(shù)據(jù)訓(xùn)練后可以減少異常點(diǎn)對于模型的影響，從而擴(kuò)大今后模型的適用范圍以應(yīng)對可能會(huì)遇到的更多更復(fù)雜的靶區(qū)幾何分布。

2.3 KBRT與多種放療技術(shù)的結(jié)合

KBRT 技術(shù)的另一項(xiàng)優(yōu)點(diǎn)是其出色的兼容性。在與傳統(tǒng)和新興放療技術(shù)的結(jié)合中產(chǎn)生了諸多的創(chuàng)新。這其中不乏有出色的研究，它們在改變傳統(tǒng)放療計(jì)劃流程的同時(shí)也提高了放療的質(zhì)量安全。

立體定向體部放療（Stereotactic Body Radiation Therapy, SBRT）技術(shù)可為無法耐受手術(shù)治療的早期肺癌患者提供相近的療效，因而越來越受到人們的關(guān)注。但由于SBRT 技術(shù)相對于常規(guī)分割的放射治療而言單次劑量更高，因而對于胸壁、肋骨和臂叢神經(jīng)等正常組織產(chǎn)生的損傷會(huì)更嚴(yán)重。對于這類SBRT 計(jì)劃而言，控制正常組織的受量可以減少一定的放療并發(fā)癥的發(fā)生。盡管尚未有直接證據(jù)證明SBRT 毒性和OAR 劑量分布存在直接聯(lián)系，但利用KBP 鑒別人工優(yōu)化的高風(fēng)險(xiǎn)肺部腫瘤SBRT 計(jì)劃卻可以有效地降低正常組織的劑量［22］。在對過往的計(jì)劃進(jìn)行回顧研究發(fā)現(xiàn)，與未產(chǎn)生毒性反應(yīng)和嚴(yán)重并發(fā)癥的計(jì)劃相比，產(chǎn)生3 級毒性反應(yīng)的臨床計(jì)劃在KBRT 模型優(yōu)化后存在50%的改進(jìn)潛力。KBRT 可以系統(tǒng)性地提高SBRT方案的質(zhì)量和安全。

目前，運(yùn)用KBRT 和多重標(biāo)準(zhǔn)優(yōu)化（Multi-Criteria Optimization, MCO）算法相結(jié)合以提升計(jì)劃設(shè)計(jì)和審核效率的方法受到研究者們的廣泛關(guān)注［23-24］。MCO 算法利用KBRT 的優(yōu)勢生成滿足帕累托最優(yōu)（Pareto Optimal）平面的計(jì)劃集合，這一集合中每個(gè)計(jì)劃的靶區(qū)與正常組織之間形成了一個(gè)潛在的平衡關(guān)系。在這樣的平衡關(guān)系中，任一優(yōu)化目標(biāo)都無法在其余優(yōu)化條件當(dāng)前最優(yōu)狀態(tài)不被損害的前提下獲得進(jìn)一步的提升。這就需要有足夠多的計(jì)劃才能將優(yōu)化時(shí)的帕累托最優(yōu)平面集合表示出來。而生成這樣一個(gè)大量計(jì)劃的數(shù)據(jù)集不僅需要算法，還需要類似圖形處理單元（GPU）這樣的硬件提供支持。當(dāng)進(jìn)行一次多目標(biāo)優(yōu)化后，物理師和醫(yī)生之間可以通過權(quán)衡各組織間利弊的方式共同篩選出集合中最合適的一個(gè)計(jì)劃作為最終的臨床方案，而不是像傳統(tǒng)的放療計(jì)劃方式在反復(fù)的溝通和優(yōu)化中尋找最優(yōu)解，從而大大提高整體放療計(jì)劃流程的效率。

除此之外，利用KBRT 中的VMAT 模型對IMRT計(jì)劃進(jìn)行優(yōu)化，可以提高效率并減少正常組織的受量，在靶區(qū)覆蓋率和均勻性相同的情況下改善OAR保護(hù)［25］。而KBRT 模型用于改善肺癌調(diào)強(qiáng)放療的射束分布角度上，所生成的計(jì)劃與常規(guī)計(jì)劃質(zhì)量相當(dāng)，或有助于減少規(guī)劃時(shí)間，促進(jìn)自動(dòng)化優(yōu)化的實(shí)現(xiàn)［26］。

3 KBRT現(xiàn)階段的挑戰(zhàn)與發(fā)展方向

在取得諸多研究成果的同時(shí)，研究者們也發(fā)現(xiàn)了KBRT存在的一些問題和挑戰(zhàn)。首先是缺少足夠大的數(shù)據(jù)集，無法發(fā)揮出算法本身的優(yōu)勢。由于KBRT獲取到的數(shù)據(jù)大多來源于臨床，對于采集到的臨床數(shù)據(jù)還需要額外的分組（如訓(xùn)練組和測試組），而用于訓(xùn)練的數(shù)據(jù)還需進(jìn)行異常值的剔除。這一系列的研究環(huán)節(jié)都限制和影響了采集到的樣本量，與通過深度學(xué)習(xí)進(jìn)行圖像分割的海量數(shù)據(jù)形成了鮮明的對比。而樣本量不足將極大地影響模型和算法的預(yù)測準(zhǔn)確性，其中最容易出現(xiàn)的就是過擬合［22］。此外，在收集數(shù)據(jù)的過程中如果忽視了數(shù)據(jù)管理，數(shù)據(jù)有效性和潛在的異常點(diǎn)將對預(yù)測出的結(jié)果產(chǎn)生偏差。

其次，目前KBRT 的功能實(shí)現(xiàn)都是以DVH 和OVH 為特征提取目標(biāo)，對算子和算法的研究沒有深化，而以DVH 作為特征提取就會(huì)導(dǎo)致在劑量空間分布的限制，需要人為操作來處理OAR 和靶區(qū)的異常值。因此除了基于DVH 的方法外，也出現(xiàn)了針對體素為特征的KBRT 預(yù)測模型的研究［27］。另外，KBRT研究切入點(diǎn)上較為單一，與新技術(shù)的開發(fā)和結(jié)合較少。KBRT 與MCO、GPU 加速等技術(shù)相結(jié)合后對于傳統(tǒng)放療技術(shù)的影響和變革也說明，發(fā)展KBRT還需要更多算法和硬件技術(shù)的融合來拓展和挖掘其本身的優(yōu)勢。

KBRT 通過人工智能方法來解決放射治療技術(shù)中的臨床問題，在解決問題的同時(shí)還需要與臨床計(jì)劃系統(tǒng)有更多的結(jié)合和銜接，真正的將研究成果轉(zhuǎn)換為可以解決臨床需要的產(chǎn)品。通過上述的問題和挑戰(zhàn)，如何合理的去面對和解決這些難題能幫助我們對KBRT今后的研究方向做出合理的判斷。

3.1 通過多中心合作推動(dòng)KBRT的研究與應(yīng)用

KBRT 的設(shè)立初衷就是希望通過此項(xiàng)技術(shù)減少物理師之間因?yàn)榻?jīng)驗(yàn)和主觀因素等諸多因素造成的計(jì)劃質(zhì)量差異，提高放療計(jì)劃的整體質(zhì)量和安全，讓患者能夠真正地從該項(xiàng)技術(shù)中獲益。而要達(dá)到這個(gè)目的，至上而下的多中心合作和交流就顯得尤為重要。如何開展多中心研究合作項(xiàng)目來豐富和優(yōu)化KBRT 模型中的數(shù)據(jù)集和模型，制定出相關(guān)的標(biāo)準(zhǔn)，并通過云計(jì)算等方式將成果或產(chǎn)品在基層單位進(jìn)行推廣是KBRT后期工作開展的重要方向。目前，針對基于知識的自動(dòng)調(diào)強(qiáng)質(zhì)子治療（IMPT）計(jì)劃系統(tǒng)的國際多中心研究證實(shí)了多中心合作的可行性［28］。該解決方案可以幫助質(zhì)子中心做出相一致且有效的放療計(jì)劃并為其臨床和試驗(yàn)環(huán)境中的IMPT 計(jì)劃提供質(zhì)量保證。而隨著人工智能算法復(fù)雜度不斷提高，可以預(yù)見類似的多中心合作將隨著技術(shù)的發(fā)展越來越被人們重視。

3.2 KBRT運(yùn)用與自適應(yīng)放療的快速優(yōu)化與質(zhì)控

自適應(yīng)放療（Adaptive Radiotherapy, ART）是以圖像引導(dǎo)放療（Image-Guided Radiotherapy, IGRT）為基礎(chǔ)，通過流程化處理，運(yùn)用圖像反饋的偏差信息對原治療計(jì)劃進(jìn)行系統(tǒng)化調(diào)整以滿足實(shí)際放療要求的一項(xiàng)放療技術(shù)。其中在線ART 更是要求優(yōu)化流程、縮短時(shí)間以達(dá)到在當(dāng)前分次下的計(jì)劃修改和執(zhí)行要求。目前的ART 研究中，通過形變配準(zhǔn)后進(jìn)行的正常組織自動(dòng)勾畫，靶區(qū)輪廓推衍以及圖形處理單元運(yùn)用于劑量計(jì)算等方面都取得了長足的發(fā)展［29-30］，有效地提高了ART 流程的效率。這些進(jìn)步都在支持和推動(dòng)KBRT 成為安全有效的再計(jì)劃與質(zhì)控系統(tǒng)以滿足在線ART 的要求。通過已建立的同類KBRT 模型，將ART 流程中產(chǎn)生的新圖像和靶區(qū)結(jié)構(gòu)導(dǎo)入系統(tǒng)，可以快速得到滿足ART 要求的KBRT 計(jì)劃。KBRT 亦可針對成熟的ART 產(chǎn)品所生成的計(jì)劃進(jìn)行計(jì)劃評估和DVH 預(yù)警，保證ART 的安全。而Tseng等［31］更是進(jìn)一步提出了將多模態(tài)圖像（如CT/PET/MRI）和生物標(biāo)記（基因組學(xué)、轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)）等有益信息加入ART 的知識框架之中，擺脫依靠單一圖像信息的固有模式，最終實(shí)現(xiàn)針對單個(gè)患者的分子特征進(jìn)行個(gè)性化治療。

3.3 運(yùn)用更多機(jī)器學(xué)習(xí)方法提升自動(dòng)優(yōu)化的能力

近年來，人工智能理論和技術(shù)的革新不斷深入到各行各業(yè)并取得了卓越的發(fā)展。KBRT 中涉及的機(jī)器學(xué)習(xí)等內(nèi)容作為人工智能研究的重要分支，也同樣為放療自動(dòng)計(jì)劃的改進(jìn)作出了重要的貢獻(xiàn)。目前神經(jīng)網(wǎng)絡(luò)用于預(yù)測空間內(nèi)劑量分布的研究已經(jīng)可以在減少大量訓(xùn)練數(shù)據(jù)的情況下達(dá)到KBRT 傳統(tǒng)建模的水平［32］。尤其是深層卷積神經(jīng)網(wǎng)絡(luò)（deep Conventional Neural Network, dCNN）這類在醫(yī)學(xué)影像中廣泛應(yīng)用的技術(shù)為自動(dòng)計(jì)劃指明了新的方向［33］。面對常規(guī)MR 定位圖像無法直接進(jìn)行治療計(jì)劃優(yōu)化的問題，通過dCNN 將定位MR 圖像和定位CT 關(guān)聯(lián)后生成的模型可將定位MR 轉(zhuǎn)化為可以直接進(jìn)行放療計(jì)劃的人造CT圖像（Synthetic CT），并且生成的劑量與原計(jì)劃基本無異［34］。人工智能算法正在逐漸融入傳統(tǒng)放射治療的圖像分割、計(jì)劃優(yōu)化和計(jì)劃執(zhí)行等各個(gè)階段之中［35-36］。隨著生成對抗網(wǎng)絡(luò)算法（GANs）、深度學(xué)習(xí)等新技術(shù)的不斷涌現(xiàn)，結(jié)合了大數(shù)據(jù)和云計(jì)算的自動(dòng)優(yōu)化也將在智能決策、優(yōu)化算法改進(jìn)和質(zhì)控安全等方面獲得更多的關(guān)注。