人工智能在腫瘤放射治療中的應(yīng)用

蚌埠醫(yī)學(xué)院第一附屬醫(yī)院 腫瘤放療科，安徽 蚌埠 233004

引言

盡管“人工智能”（Artificial Intelligence，AI）已經(jīng)成為一個人盡皆知的概念，但對AI的定義還沒有達成普遍的共識。傳統(tǒng)的AI發(fā)展思路是研究人類如何產(chǎn)生智能，然后讓機器學(xué)習(xí)人的思考方式去行為?，F(xiàn)代AI概念的提出者約翰·麥卡錫認為，機器不一定需要像人一樣思考才能獲得智能，而重點是讓機器能夠解決人腦所能解決的問題[1]。從1956年AI這個概念被首次提出以來，AI的發(fā)展幾經(jīng)沉浮，終于在21世紀(jì)迎來了質(zhì)的飛躍。AI技術(shù)已經(jīng)滲透到醫(yī)療健康的方方面面，如醫(yī)學(xué)影像分析、醫(yī)學(xué)病理分析、疾病預(yù)測、健康管理、新藥研發(fā)等。本文將重點介紹AI在腫瘤放療領(lǐng)域的應(yīng)用現(xiàn)狀。

1 AI在醫(yī)療中的應(yīng)用

在醫(yī)療健康行業(yè)，AI應(yīng)用場景越發(fā)豐富，現(xiàn)實生活中已有不少AI提高醫(yī)療服務(wù)水平的成功案例。2019年7月，Campanella等[2]在NatureMedicine上發(fā)表臨床級病理AI癌癥診斷系統(tǒng)，展示了AI在病理診斷上的巨大潛力，研究者利用15187例患者的沒有任何標(biāo)注的腫瘤組織切片圖像訓(xùn)練該模型，AUC達到0.98。2019年5月，Nature Medicine報道了Ardila等[3]完成的肺癌AI篩查研究。該模型的準(zhǔn)確率高于6位放射科醫(yī)生，假陽性率減少了11%，假陰性率為5%，AUC為94.4%。同月，Lin等[4]利用深度學(xué)習(xí)建立了“先天性白內(nèi)障AI診斷決策平臺”，該平臺可用于診斷兒童白內(nèi)障并提供風(fēng)險分層和治療建議，在多中心隨機對照臨床研究中診斷準(zhǔn)確率為87.4%，平均時間為2.79 min。2019年4月，來自中國的Chen等[5]使用2047例長期隨訪的IgA腎病患者數(shù)據(jù)，借助機器學(xué)習(xí)方法，建立結(jié)合臨床和腎臟病理的預(yù)后風(fēng)險預(yù)測及風(fēng)險分層系統(tǒng)，使醫(yī)生可快速準(zhǔn)確地預(yù)估患者的腎臟預(yù)后風(fēng)險概率以及風(fēng)險等級，這一研究成果發(fā)表在《美國腎臟病雜志》上。同期，來自中國的Wang等[6]開發(fā)了一種實現(xiàn)術(shù)前無創(chuàng)預(yù)測肺癌表皮生長因子受體（Epidermal Growth Factor Receptor，EGFR）基因突變的深度學(xué)習(xí)模型。該模型可從患者的CT中預(yù)測EGFR突變狀態(tài)，并達到較好的準(zhǔn)確度（AUC=0.85）。

2 AI在腫瘤放射治療中的應(yīng)用

放射治療是治療惡性腫瘤的重要手段之一，超過70%的惡性腫瘤患者在病程的不同階段需要接受放療[7]。腫瘤放療流程復(fù)雜，包括模擬定位，計劃設(shè)計，治療驗證，計劃執(zhí)行等，靶區(qū)、危及器官勾畫和計劃設(shè)計是放射治療的兩個非常重要環(huán)節(jié)。靶區(qū)和危及器官的精準(zhǔn)勾畫、放療計劃的精確制定和實施，是實現(xiàn)放射治療增益比最大化的根本保證[8]。腫瘤放射治療流程圖，見圖1。

圖1 腫瘤放射治療流程圖

2.1 靶區(qū)和危及器官的勾畫

按照傳統(tǒng)的放療流程，靶區(qū)和危及器官的輪廓線是由經(jīng)驗豐富的臨床醫(yī)生耗費3～5 h進行人工勾畫所完成，勾畫人員的臨床經(jīng)驗和知識水平的高低會導(dǎo)致結(jié)果的優(yōu)劣差異。而有學(xué)者基于深度學(xué)習(xí)方法利用CT圖像建立鼻咽癌危及器官自動分割模型，該模型對單個病例進行危及器官分割需要大約30 s，并且自動分割與人工分割結(jié)果強相關(guān)，Dice系數(shù)大于0.85[9]。同樣，近期中國研究團隊利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）實現(xiàn)鼻咽癌放射治療靶區(qū)自動勾畫，并且AI自動勾畫準(zhǔn)確性與?？漆t(yī)生相當(dāng)，這一研究成果于2019年3月發(fā)表在《Radiology》雜志。以專家勾畫作為金標(biāo)準(zhǔn)，AI自動勾畫的準(zhǔn)確率為79%，經(jīng)專家評估，32.5%的病例無需修改可直接用于放射治療計劃設(shè)計，56.2%的病例只需少量修改即可用于放療計劃設(shè)計[10]。

有學(xué)者提出一種深度擴張卷積神經(jīng)網(wǎng)絡(luò)（Deep Dilated Convolutional Neural Network，DDCNN）的模型。研究結(jié)果顯示臨床靶區(qū)平均Dice相似系數(shù)為0.88，每例直腸癌患者的自動分割時間為45 s，且自動分割結(jié)果不受患者體型、年齡的影響[11]。為了進一步提高靶區(qū)分割精度，Men等[12]開發(fā)一種新型卷積神經(jīng)網(wǎng)絡(luò)（稱為CAC-SPP）用于直腸癌患者的腫瘤靶區(qū)分割。結(jié)果表明CAC-SPP在MR圖像和CT圖像的Dice相似系數(shù)和分割速度均高于傳統(tǒng)的模型，進一步提高了直腸癌腫瘤靶區(qū)分割的準(zhǔn)確性。

Men等[13]基于大數(shù)據(jù)和深度學(xué)習(xí)建立名為DD-ResNet的模型，實現(xiàn)了乳腺癌患者的臨床靶區(qū)自動分割。該研究使用800例接受保乳治療的患者數(shù)據(jù)進行評估，并利用深度擴張DDCNN和深度反卷積神經(jīng)網(wǎng)絡(luò)（Deep Deconvolution Neural Network，DDNN）模型對DD-ResNet模型的性能進行了評估：對于右側(cè)和左側(cè)乳腺癌，平均Dice相似系數(shù)為0.91和0.91，高于其他兩個網(wǎng)絡(luò)（DDCNN：0.85和0.85; DDNN：0.88和0.87）。DDCNN，DDNN和DD-ResNet分割每例患者的時間分別為4、21和15 s[13]。Feng等[14]開發(fā)一種深度擴張卷積神經(jīng)網(wǎng)絡(luò)對胸部危及器官進行分割，該模型可從胸部CT中對5個器官（左、右肺，心臟，食管和脊髓）進行自動分割，并且Dice系數(shù)優(yōu)于人類專家，表現(xiàn)出良好的性能，并降低了危及器官分割的成本。Jackson等[15]基于卷積神經(jīng)網(wǎng)絡(luò)開發(fā)了自動圖像分割工具，此外，將分割輪廓應(yīng)用于估計腎放射治療劑量。結(jié)果顯示該工具能夠在大約90 s內(nèi)準(zhǔn)確地識別并分割所有患者的左右腎，左右腎的平均Dice相似系數(shù)分別為0.86和0.91，在手動和自動算法之間沒有觀察到放射吸收劑量的顯著差異。

Vander等[16]將多圖譜和深度學(xué)習(xí)方法用于腦腫瘤患者危及器官的自動分割，定性和定量分析表明深度學(xué)習(xí)方法的性能往往優(yōu)于多圖譜方法。同樣，Orasanu等[17]使用基于深度學(xué)習(xí)的邊界檢測器進行腦放射治療的危及器官分割，該模型改善了MRI中T1w和T2w所有結(jié)構(gòu)的結(jié)果。此外，Tong等[18]、Van等[19]、Chan等[20]、Men等[21]分別基于深度學(xué)習(xí)方法建立了頭頸部腫瘤危及器官自動分割模型。各模型均表現(xiàn)出良好的分割性能，同時縮短了每例患者的分割時間，減少了臨床醫(yī)生對臨床應(yīng)用的干預(yù)。然而有學(xué)者對腦腫瘤的視覺神經(jīng)區(qū)域進行勾畫時，尤其當(dāng)勾畫目標(biāo)對比度較低、體積較小時，勾畫效果較差，如視交叉神經(jīng)的勾畫準(zhǔn)確率僅有37%，勾畫結(jié)果不夠理想，尚不能滿足臨床需求[22]?；谏疃葘W(xué)習(xí)的方法，大部分腫瘤靶區(qū)和危及器官均能得到較高的分割精度，AI輔助勾畫提高了腫瘤靶區(qū)和危及器官勾畫的準(zhǔn)確性，同時顯著提高了醫(yī)生工作效率，簡化放療工作流程，讓經(jīng)驗較少的醫(yī)生達到近似專家水平的勾畫，也提高了靶區(qū)和危及器官勾畫的一致性。

2.2 放療計劃

放射治療的基本目標(biāo)是實現(xiàn)放射治療增益比的最大化，即最大限度地將放射劑量集中到靶區(qū)內(nèi)，在殺滅腫瘤細胞的同時保護周圍正常組織和危及器官少受或免受不必要的照射。頭頸部腫瘤由于靶區(qū)體積大、處方劑量多、靶區(qū)附近有許多對放射敏感的關(guān)鍵結(jié)構(gòu)，所以其治療計劃過程被認為是最復(fù)雜的過程之一。Nguyen等[23]基于兩種傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)：U-net和DenseNet，建立新型頭頸部腫瘤患者的三維放射治療劑量預(yù)測模型，研究顯示該模型在均勻性、劑量一致性、劑量覆蓋等方面均優(yōu)于傳統(tǒng)模型，能夠準(zhǔn)確、有效地預(yù)測劑量分布；并且能夠預(yù)測危及器官最大劑量在6.3%以內(nèi)，平均劑量在處方劑量的5.1%以內(nèi)。同樣，F(xiàn)an等[24]建立一種三維劑量預(yù)測和三維劑量分布自動優(yōu)化的放療計劃系統(tǒng)，該模型輸入CT圖像，危及器官和計劃靶區(qū)的輪廓，以訓(xùn)練模型輸出CT圖像上的預(yù)測劑量分布。結(jié)果表明深度學(xué)習(xí)方法可以預(yù)測臨床上可接受的劑量分布，自動生成的治療計劃在臨床上也是可以接受的。

Liu等[25]開發(fā)了一種預(yù)測螺旋斷層放療三維劑量分布的深度學(xué)習(xí)方法。研究顯示計劃靶區(qū)和危及器官的平均絕對劑量差異在2.0%和4.2%之間，平均Dice相似系數(shù)范圍為0.95至1。Chen等[26]也基于深度學(xué)習(xí)技術(shù)利用先前的數(shù)據(jù)庫，開發(fā)了一種預(yù)測鼻咽癌劑量分布的方法，結(jié)果顯示除了雙側(cè)視神經(jīng)和視交叉外，所提出的模型可以準(zhǔn)確地預(yù)測患者劑量分布。Dan等[27]將完全卷積網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）應(yīng)用于前列腺癌患者調(diào)強放射治療的劑量預(yù)測。根據(jù)醫(yī)生勾畫的計劃靶區(qū)和危及器官輪廓線實現(xiàn)劑量分布的準(zhǔn)確預(yù)測，平均Dice相似系數(shù)為0.91，計劃靶區(qū)和危及器官上的平均和最大劑量差小于處方劑量的5.1%。同樣，Kajikawa等[28]采用卷積神經(jīng)網(wǎng)絡(luò)模型自動預(yù)測前列腺癌患者接受調(diào)強放射治療的劑量。該研究納入了60例接受調(diào)強放射治療的前列腺癌患者為研究對象，研究結(jié)果揭示了深度學(xué)習(xí)對接受調(diào)強放射治療的前列腺癌患者治療計劃的潛在適用性。一般而言，深度學(xué)習(xí)訓(xùn)練需要大量數(shù)據(jù)，更大的樣本量可以在一定程度上提高準(zhǔn)確性。隨著獲得更高質(zhì)量的醫(yī)學(xué)數(shù)據(jù)，預(yù)測劑量學(xué)的工具在未來放射治療發(fā)展中可能發(fā)揮關(guān)鍵作用。

此外，近年來，許多研究使用深度學(xué)習(xí)技術(shù)從MRI中生成合成CT（Synthetic CT，sCT）圖像，從而減少診斷電離輻射暴露，并使用CT圖像估算放療劑量，簡化臨床工作流程。Maspero等[29]基于深度學(xué)習(xí)開發(fā)了一種從MRI中快速生成sCT圖像的方法，以評估放射治療的劑量。結(jié)果顯示在sCT上計算的劑量體積直方圖（Dose Volume Histogram，DVH）指標(biāo)值與CT上計算的DVH值的差異小于2.5%。同樣，Liu等[30]基于深度學(xué)習(xí)的方法利用腹部MRI生成sCT，并驗證sCT圖像質(zhì)量。結(jié)果顯示sCT與原始CT圖像比較，平均絕對誤差為72.87±18.16 HU，sCT和CT在計劃靶區(qū)DVH值的相對差異通常小于1%。

Valdes等[31]基于機器學(xué)習(xí)模型使用患者治療數(shù)據(jù)建立臨床決策支持系統(tǒng)。結(jié)果表明該模型可以對早期肺癌、頭頸部腫瘤的放療計劃進行準(zhǔn)確的數(shù)據(jù)分類，推理，并與歷史治療計劃匹配。該系統(tǒng)使臨床醫(yī)生能夠在制定放療計劃的過程中參考過去的決策來權(quán)衡當(dāng)前的放療計劃。事實上，腫瘤放療的臨床決策支持系統(tǒng)已被證明能夠?qū)ぷ髁鞒毯妥o理質(zhì)量產(chǎn)生影響。例如，Lambin等[32]基于機器學(xué)習(xí)方法利用歷史患者數(shù)據(jù)建立一種支持定制放射治療的決策支持系統(tǒng)，最終實現(xiàn)個性化或定制化放射治療。Tseng等[33]為了在控制腫瘤的情況下最大限度內(nèi)降低2級放射性肺炎的發(fā)生率，利用114例接受放療的非小細胞肺癌患者的歷史治療數(shù)據(jù)進行回顧性研究，建立一種自動劑量分級適應(yīng)的深度強化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)框架。研究證明該框架的自動劑量適應(yīng)是一種可行的、有前景的方法，但是要將這個框架發(fā)展成一個完全可靠的臨床決策支持系統(tǒng)，還需要對更多機構(gòu)的大量數(shù)據(jù)進行進一步驗證。此外，Shiradkar等[34]通過影像組學(xué)技術(shù)和可變形的配準(zhǔn)工具開發(fā)了自動生成局部靶向放療計劃的框架，以制定有針對性的局部治療計劃，該框架可使危及器官的照射劑量減少和癌變病灶的照射劑量增加。

2.3 毒副反應(yīng)

危及器官放射毒性的準(zhǔn)確預(yù)測是放射治療成功的關(guān)鍵?，F(xiàn)有的基于劑量體積直方圖的方法可能嚴(yán)重低估或高估了治療毒性。放療中危及器官受到了過高劑量的照射，放療后會出現(xiàn)一系列的不良反應(yīng)，即放射治療毒性。因此，降低不良反應(yīng)，實現(xiàn)劑量的精確累加，預(yù)測腫瘤區(qū)域的控制情況和評估危及器官所受到的放射損傷等，對提高放療預(yù)后和病人生存質(zhì)量均有重要的臨床意義。

Valdes等[35]利用機器學(xué)習(xí)技術(shù)預(yù)測立體定向放射治療（Stereotactic Radiotherapy，SBRT）I期非小細胞肺癌患者的放射性肺炎發(fā)生風(fēng)險，并確定了使患者發(fā)生放射性肺炎的臨床相關(guān)閾值，這些閾值可為放療醫(yī)生制定放療計劃提供可靠的參考。Ibragimov等[36]利用125例肝臟SBRT患者的數(shù)據(jù)，建立劑量--肝膽毒性深度學(xué)習(xí)模型。研究結(jié)果顯示AUC為0.79，與基于劑量體積直方圖的預(yù)測相比，深度學(xué)習(xí)預(yù)測產(chǎn)生的假陽性毒性幾乎少了2倍，假陰性的數(shù)量減至最低。該模型顯著性地自動估計門靜脈區(qū)域的毒性風(fēng)險，提供了臨床上準(zhǔn)確預(yù)測肝膽毒性的工具，并可自動識別SBRT期間至關(guān)重要的解剖區(qū)域。

Oberije等[37]在前瞻性研究中，開發(fā)和驗證用于預(yù)測放化療的肺癌患者的兩年生存率，呼吸困難和吞咽困難發(fā)生概率的統(tǒng)計模型。研究者將模型預(yù)測結(jié)果與醫(yī)生基于指南提供的概率進行比較，結(jié)果顯示模型預(yù)測會明顯優(yōu)于醫(yī)生的預(yù)測，在模型的基礎(chǔ)上識別疾病風(fēng)險有助于個體化治療。Zhen等[38]基于深度卷積神經(jīng)網(wǎng)絡(luò)建立了宮頸癌患者放射治療中的直腸毒性預(yù)測模型，以揭示近距離放射治療和體外放射治療的直腸劑量--毒性關(guān)系。結(jié)果顯示該模型總準(zhǔn)確率為88.1%，靈敏度為75%，特異性為93.3%，AUC為0.96。此外，Dean等[39]基于機器學(xué)習(xí)方法對頭頸部腫瘤放療引起的嚴(yán)重急性口腔粘膜炎的概率建模，以指導(dǎo)臨床決策并為治療計劃提供參考信息。研究者建立了logistic回歸模型、支持向量分類模型和隨機森林分類模型，并進行了比較。結(jié)果顯示隨機森林分類模型校正效果最佳，該模型的平均AUC和校準(zhǔn)斜率分別為0.71和3.9，但應(yīng)該進行改進并且需要外部驗證。

2.4 預(yù)測預(yù)后

醫(yī)學(xué)中的預(yù)測建模涉及計算模型的開發(fā)，其能夠分析大量數(shù)據(jù)以預(yù)測個體患者的醫(yī)療保健結(jié)果。當(dāng)要建模的數(shù)據(jù)太復(fù)雜而傳統(tǒng)的統(tǒng)計技術(shù)無法快速有效地處理時，機器學(xué)習(xí)技術(shù)，特別是深度神經(jīng)網(wǎng)絡(luò)是合適之選。近年來神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于圖像分析，因為它們具有提取復(fù)雜特征的功能，可構(gòu)建強大的預(yù)測模型。

Li等[40]開發(fā)了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的生存分析方法，以學(xué)習(xí)影像信息和生存風(fēng)險之間的非線性關(guān)系。研究結(jié)果表明深度卷積神經(jīng)網(wǎng)絡(luò)生存分析方法比現(xiàn)有的放射學(xué)方法更好地預(yù)測腫瘤復(fù)發(fā)風(fēng)險。同樣，Bibault等[41]利用深度學(xué)習(xí)和放射組學(xué)預(yù)測局部晚期直腸癌患者新輔助放化療后的反應(yīng)，研究者使用來自三個機構(gòu)的新輔助放化療的T2-4 N0-1直腸癌患者數(shù)據(jù)建立深度神經(jīng)網(wǎng)絡(luò)模型，結(jié)果顯示模型預(yù)測準(zhǔn)確率為80%，優(yōu)于線性回歸模型（69.5%）和支持向量機模型（71.58%）。該模型正確預(yù)測了多中心隊列中80%的患者在新輔助直腸癌放化療后的反應(yīng)，預(yù)測結(jié)果有助于確定哪些患者可以從保守治療中獲益。

Aneja等[42]將患者影像數(shù)據(jù)和臨床危險因素進行整合，建立立體定向放射治療后的非小細胞肺癌患者2年局部復(fù)發(fā)預(yù)測模型，該研究對接受治療的344例T1-2N0M0非小細胞肺癌患者隨訪至少2年，結(jié)果顯示將影像數(shù)據(jù)和臨床危險因素相結(jié)合的機器學(xué)習(xí)模型優(yōu)于傳統(tǒng)的模型，與其他機器學(xué)習(xí)算法相比，深度神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測能力，值得進一步研究以預(yù)測其他種類的癌癥。Mobadersany等[43]通過深度學(xué)習(xí)方法將數(shù)字病理學(xué)圖像和基因組生物標(biāo)志物數(shù)據(jù)整合，以建立預(yù)測膠質(zhì)瘤患者總生存期的模型。該方法在預(yù)測生存方面的準(zhǔn)確性可以媲美或超過訓(xùn)練有素的人類專家，這些結(jié)果突出了深度學(xué)習(xí)在精準(zhǔn)醫(yī)學(xué)中的新興作用，并證明了在未來病理學(xué)實踐中擴展組織學(xué)計算分析的實用性。同樣，Lao等[44]基于深度學(xué)習(xí)建立放射組學(xué)模型，研究結(jié)果表明，基于深度學(xué)習(xí)的影像學(xué)特征能夠預(yù)測多形性膠質(zhì)母細胞瘤患者的總體生存和預(yù)后，也表明基于影像特征的生物標(biāo)志物在多形性膠質(zhì)母細胞瘤患者術(shù)前護理中的潛力。

Hosny等[45]基于卷積神經(jīng)網(wǎng)絡(luò)對5個機構(gòu)的1194例非小細胞肺癌患者進行了回顧性多隊列放射組學(xué)的肺癌預(yù)后分析，研究發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與患者2年總生存率顯著相關(guān)，還能夠?qū)⒒颊唢@著分層為低死亡率和高死亡率風(fēng)險組。研究結(jié)果表明，基于非小細胞肺癌患者的CT圖像，深度學(xué)習(xí)網(wǎng)絡(luò)可用于死亡風(fēng)險分層，促使未來的研究更好地對前瞻性數(shù)據(jù)的驗證，但是研究受到回顧性性質(zhì)和深度學(xué)習(xí)黑盒問題的限制。Jochems等[46]開發(fā)了一種預(yù)測非小細胞肺癌患者放化療或單獨放療后的生存模型，該模型使用分布式學(xué)習(xí)方法對來自3個國家的多個腫瘤中心患者進行了驗證，結(jié)果表明該模型優(yōu)于黃金標(biāo)準(zhǔn)“TNM分期”，且基于分布式學(xué)習(xí)的預(yù)測模型能夠?qū)W習(xí)來自多個機構(gòu)的數(shù)據(jù)，避免了數(shù)據(jù)共享障礙。

3 總結(jié)

近來，隨著AI的出現(xiàn)，特別是機器學(xué)習(xí)在許多領(lǐng)域和學(xué)科中表現(xiàn)出了非凡的能力，如醫(yī)療領(lǐng)域。AI在未來的腫瘤放射治療中有廣闊的應(yīng)用前景。過去，放療科醫(yī)生以自己的臨床知識和經(jīng)驗為基礎(chǔ)，根據(jù)病人的癥狀和檢查結(jié)果診治疾病，如今，AI技術(shù)幫助醫(yī)生更好地完成靶區(qū)勾畫和計劃設(shè)計等，為放療醫(yī)生提供一個“超級助手”。最近人們越來越關(guān)注AI方法的可解釋性，這意味著我們需要解釋機器決策，預(yù)測并證明其可靠性。不幸的是，深度學(xué)習(xí)的黑盒問題仍然沒有得到解決，許多機器決策仍然知之甚少，以致很少的研究可重復(fù)進行。在百家爭鳴的時代，各個研究機構(gòu)都宣稱自己具有某種功能的AI系統(tǒng)，但是這些系統(tǒng)是否能夠達到他們宣傳的效果，是需要非常嚴(yán)格的臨床驗證的，最近有韓國研究學(xué)者對醫(yī)學(xué)影像AI算法的可重復(fù)性問題進行了調(diào)查分析。文章選取了2018年發(fā)表的516篇原始研究論文，發(fā)現(xiàn)僅6%（31個研究）進行了外部驗證，但外部驗證又缺乏嚴(yán)格的設(shè)計，缺少多中心、前瞻性的驗證數(shù)據(jù)，現(xiàn)階段的醫(yī)學(xué)AI技術(shù)，在真實臨床落地應(yīng)用前，需要經(jīng)過嚴(yán)格的外部驗證作為評判手段和標(biāo)準(zhǔn)[47]。隨著AI的到來以及與第五代移動通信技術(shù)、大數(shù)據(jù)等前沿技術(shù)的充分整合和運用，AI在腫瘤放射治療領(lǐng)域必然將呈現(xiàn)出強大的影響力和生命力，對促進醫(yī)療資源共享下沉、提升醫(yī)療效率和診斷水平、協(xié)助推進偏遠地區(qū)的遠程診治等起到重要的支撐作用。