近距离治疗(BT)技术是使放射源进入或贴近治疗部位，利用近源处剂量极高随着距离的增加剂量快速跌落，实现肿瘤局部治疗的一种技术。近距离治疗是宫颈癌放射治疗的重要组成部分。近距离治疗过程复杂且需要一系列步骤，可能导致患者在施源器置入状态下等待时间过长而产生施源器相对于肿瘤的位置以及器官充盈状态的改变。

近些年，人工智能(AI)在医学领域有了极大的发展，机器学习以及神经网络等模型广泛应用于近距离治疗的各个环节，如施源器置入、图像采集、靶区和危及器官勾画、施源器重建、剂量优化和治疗实施等步骤。在缩短流程总体耗时、提高操作同质性及提高治疗精度等方面作用显著。

本文总结了近年来AI在宫颈癌近距离治疗中的应用。

自动勾画

在三维后装治疗中，需要对靶区和OAR进行准确的勾画，传统的手工勾画需要耗费大量时间，并且存在主观性差异。卷积神经网络(convolutional neuralnetwork,CNN)在医学图像自动分割领域已经被广泛应用，并取得了很好的效果。与传统的基于图谱库技术的自动勾画技术相比，使用CNN可以降低对图像配准准确性的依赖，并且可以减少拓扑错误。

目前，针对妇科肿瘤近距离治疗的靶区以及OAR已经开发出了一些基于深度学习的自动勾画网络，并取得了临床可用的结果(表1)。例如，Yoganathan等首先基于ResNet50网络架构，针对横断面、矢状面和冠状面各设计了一个2D网络用于宫颈癌近距离治疗核磁图像的勾画，并根据这三个网络的输出设计了一个相同目的的2.5D网络，再按照相同的方法基于InceptionResNetv2网络结构也设计了三个2D网络和一个2.5D的网络，使用戴斯相似性系数(Dice similaritycoefficient,DSC)、豪斯多夫距离(Hausdorff distance,HD)以及剂量学参数对各个模型的表现进行评估，结果表明2.5D网络略优于2D网络且InceptionResNetv2模型略优于ResNet50模型。通过模拟临床上考虑相邻断面的连通性并逐层勾画乙状结肠的行为，Gonzalez等也设计了2.5D的DL模型对乙状结肠进行勾画。在Li等的研究中，训练并组合了2DU-Net、3DU-Net和3D Cascade U-Net三种架构，使用DSC、HD95、平均表面距离以及剂量学参数进行定量评估。结果显示3D Cascade U-Net在膀胱、直肠和高危CTV中表现最佳，自动勾画与手动勾画差异导致的剂量学偏差均在临床可接受范围内。Zhang等开发的DSD U-Net模型，使用该网络对膀胱、直肠和高危CTV进行自动勾画并使用DSC系数进行评估，结果表明该方法在勾画靶区以及OAR方面能够达到较高的精度。

虽然以上这些研究已经取得了很好的结果，但是由于后装治疗对医生以及物理师的经验要求较高，导致目前缺乏大量的训练样本，而充足的数据量有利于提升自动勾画模型的泛化能力、学习深层特征，进一步提升网络的勾画精度并增强鲁棒性。使用AI进行宫颈癌靶区和OAR的自动勾画，可以显著地缩短勾画时间并提高勾画的一致性，从而缩短患者施源器置入后的等待时间，提升治疗精度。

表1 妇科近距离治疗中基于深度学习的自动勾画文献总结

施源器重建

近距离治疗中近源处每毫米的位置变化可导致8%~12%的剂量学差异，因此较小的重建误差就可能造成严重的剂量学影响。目前临床上常用的手动施源器重建方法耗时较长，可能增加施源器在患者体内位置变化的风险。也有一些研究提及电磁追踪技术，其能够实现极高精度的重建，但是由于需要配置额外的硬件以及使用较为复杂，在临床上的应用受到一定的局限。而通过将Al应用于施源器重建过程，能够显著缩短重建时间，提高重建一致性，降低潜在的人为错误概率。早期自动重建主要采用阈值分割算法。

近年来随着AI技术的发展，DL逐渐被应用于施源器自动重建工作中。Hu等设计了一个2D U-Net用于分割施源器轮廓，采用聚类算法对施源器通道排序并使用多项式曲线拟合方法获取管道中心线，使用两倍最大轴误差结果(1mm)进行剂量学差异评估，结果显示自动重建与手动重建的高危CTV D90%差异小于0.30%，OAR的D2CM3，最大差异为2.64%。在另一项研究中，首先使用DSD U-Net分割CT图像上的施源器轮廓，再结合骨骼提取算法和多项式曲线拟合完成施源器重建。结果表明，自动重建与手动重建结果一致性较高并能有效地提高治疗计划设计的效率和一致性。除了基于CT图像的施源器重建之外，也有一些研究针对MR图像、超声图像的重建进行了探索，结果均表明Al技术在施源器重建环节中可显著缩短重建时间，提高重建精度和一致性。而在将施源器自动化识别模型应用于临床前，需进行严格的质控，特别要考虑到图像质量和伪影等因素对施源器顶端识别的影响。在模型开发和性能评估阶段充分考虑这些因素，以确保模型的可靠性和准确性。

剂量计算

近距离治疗计划中的剂量计算主要基于TG43号报告的水中放射源周围剂量分布模型并综合考虑源活度、驻留位置和时间，不考虑介质非均匀性。放疗剂量计算标准主要依据蒙特卡罗(Monte Carlo,MC)算法，统计人体粒子的概率分布从而确定剂量沉积。然而，MC算法的使用在对时间敏感的近距离治疗工作流程中由于耗时较长而受到局限。Mao等开发了一种深度卷积神经网络，通过输入带有高危CTV和OAR轮廓的CT图像以及治疗计划，能够生成与MC算法相当的剂量分布，并且相较MC算法耗时较短，具有很高的临床应用价值。Akhavanallaf等也提出了一种个性化近距离放射治疗剂量模拟器，主要通过训练一个深度神经网络，并在输入数据中添加了CT图像，最终能够获得与MC算法相当的结果，并能够克服MC算法的时间负担和TG43号报告中对组织异质性过度简化的问题。

计划优化

近距离治疗计划中的另一个重要部分是计划优化，主要包括正向和逆向优化两种方式。早期的高剂量率近距离治疗计划主要使用正向优化方法，通过手动调整放射源的驻留位置和驻留时间以满足临床目标。正向优化较为依赖物理师的经验，并耗时较长。因此，逆向优化目前在临床中的应用更为广泛。逆向优化按照临床要求设定靶区以及OAR的目标函数和限制条件，计算放射源驻留位置以及驻留时间等变量的最优解，在满足OAR限量的条件下尽可能达到靶区的临床剂量要求。目前模拟退火逆向优化和混合逆向优化两种逆向优化算法已经投入治疗计划系统使用，也有一些研究通过让神经网络学习人类计划者的操作习惯，以期自动化生成临床可用的治疗计划。

例如Shen等开发出的权重调整策略网络，将计划的体积剂量直方图作为输入，同时对靶区梨形剂量分布趋势以及OAR的剂量进行约束，输出调整后的各器官的权重因子，最终与初始的人工计划相比较，计划质量分数提升了10.7%。Oud等一项关于局部晚期宫颈癌的全自动治疗计划研究中，自动计划结果也优于对应的人工计划，提高了工作效率，同时能够避免人工计划的潜在错误。随着Al技术的发展，自动计划优化的未来发展可以考虑指导个体化施源器的应用以及插植针的排布，以期得到剂量分布更有利的治疗计划。

计划核查

由于近距离治疗具有陡峭的剂量跌落，治疗前的计划核查是十分必要的，而近距离治疗流程具有高度的时间敏感性，且很难参照外照射的移植计划验证策略，因此通过Al实现自动计划核查是一种可行的手段。早期的一些计划核查的研究主要是通过设计数学模型对选取的剂量参考点进行剂量计算并与计划文件进行比较。而目前将深度学习用于计划核查的研究相对较少，Fan等通过搭建一个深度神经网络，学习CT图像、剂量分布以及热图体积之间的映射，开发出了一种独立验证近距离治疗计划的模型，根据已有剂量分布能够准确推算放射源的驻留位置以及驻留时间，可作为一种高效的近距离治疗独立核查方法。在针对高剂量率近距离治疗失败模式分析的研究中，计划调用错误图像集、施源器重建错误、施源器参数错误输入以及剂量参考点选取错误是导致计划错误的主要原因，而这些方面主要是由于人为错误造成的，通过设计软件对治疗计划进行辅助验证，可以在降低人为错误概率方面发挥重要作用。同时也需要注意，软件辅助的计划核查主要能够减少随机错误，而对系统性错误不是很敏感。一些研究也表明，旨在提高安全性的新技术的引入也可能造成错误率升高，因此对于任何自定义的验证软件都应当进行严格的验证和调试。