基于 SAM 的 DRL 算法：宫颈癌放疗中危及器官自动勾画的新突破

为解决宫颈癌放疗中危及器官（OARs）自动勾画准确性问题，浙江省人民医院研究人员开展基于段分割一切模型（SAM）的深度强化学习（DRL）算法研究，结果显示该算法可提高分割精度和一致性，有望用于临床实践。

　　

宫颈癌放疗的困境与突破：基于 SAM 的 DRL 算法研究解读

宫颈癌，作为全球女性中发病率位居第四的常见癌症，严重威胁着女性的健康，尤其在 15 - 44 岁女性群体中，它更是排名第二的 “健康杀手”。放疗，作为宫颈癌治疗的重要手段之一，在整个治疗过程中起着关键作用。然而，在放疗流程里，有一个环节却让医生们十分头疼 —— 那就是精确地勾画出危及器官（OARs）的轮廓。

想象一下，医生们就像拿着 “生命画笔” 的艺术家，需要在患者的 CT 图像上，把那些容易受到辐射伤害的器官，如肾脏、肝脏、膀胱等，精准地描绘出来。但这个过程可不简单，不仅耗时费力，而且不同医生画出来的轮廓还可能存在差异，这就像不同艺术家对同一事物的理解和表现有所不同一样。之前，人们尝试用基于图谱的自动分割（ABAS）算法来解决这个问题，可它就像一个不太靠谱的助手，因为变形配准算法存在不确定性，导致勾画效果不太理想。后来，深度学习（DL）算法登场了，它虽然在一定程度上提高了器官分割的准确性，但面对复杂的解剖结构和医生之间的差异，还是有些力不从心。在这样的困境下，浙江省人民医院的研究人员决心探索新的方法，一场旨在突破宫颈癌放疗 OARs 自动勾画难题的研究就此展开。

这项研究成果意义重大，为宫颈癌放疗带来了新的希望。研究成果表明，基于 SAM 的 DRL 算法能够更准确地勾勒出 OARs 的轮廓，提高了分割的精度和一致性。这不仅有助于医生制定更精准的放疗计划，减少对正常组织的损伤，还能大大提高放疗的效率，为患者节省宝贵的时间。该研究成果发表在《Scientific Reports》期刊上。

在这场探索之旅中，研究人员巧妙地运用了多种关键技术方法。他们收集了 150 例亚洲宫颈癌患者 2021 - 2023 年的 CT 图像作为样本队列，这些图像就像是解开谜题的重要线索。然后，将段分割一切模型（SAM）与强化学习（RL）算法相结合，构建了 DRL 算法模型。在训练模型时，采用近端策略优化（PPO）算法和广义优势估计（GAE）方法，让模型不断学习和优化。同时，选取了 AccuContour 这个高性能 DL 算法模型进行对比，通过多种定量评估指标，如 Dice 相似系数（DSC）、95th 百分位数豪斯多夫距离（95HD）、平均对称表面距离（ASSD）和相对绝对体积差（RAVD），来全面评估模型的性能。

研究结果

1. 模型训练与预测效率：DRL 模型的训练虽然需要花费约 12 小时，但训练完成后，它就像一个训练有素的 “速记员”，预测能力十分出色，每例患者 OARs 轮廓的生成仅需约 30 秒，与 AccuContour 的性能相当，这意味着它在临床应用中具有高效性和实用性。
2. 定量评估指标对比：研究人员运用非参数秩和检验，对 DRL 和 DL 算法模型在勾画 OARs 方面的表现进行了全面对比。结果发现，DRL 在多个指标上都表现优异。在 DSC 方面，DRL 为多个器官勾勒的轮廓与手动勾画的重叠度更高，例如左肾、右肾、肝脏等器官的 DSC 中位数都超过了 0.9，十二指肠的 DSC 中位数也达到了 0.77，而 DL 算法的相应指标则相对较低。在 HD95 指标上，DRL 表现出更好的边缘准确性，如直肠的 HD95 值为 14.30mm，明显低于 DL 算法的 17.24mm。ASSD 指标反映出 DRL 的勾画更平滑、更一致，除了胰腺，DRL 在其他器官的 ASSD 值都更低，例如直肠的 ASSD 中位数为 1.55mm，而 DL 为 1.80mm。在 RAVD 指标上，除了肝脏、胰腺和胃，DRL 在其他器官上也展现出更好的体积预测准确性。
3. 不同器官勾画稳定性差异：研究还发现，DRL 对膀胱和十二指肠的勾画稳定性相对其他器官较差。这是因为膀胱的充盈状态变化多端，就像一个不断变形的气球，大小和形状随时改变，增加了勾画的难度；十二指肠则 “居住” 在复杂的结构环境中，周围邻居众多，而且它自身在图像中的对比度较低，就像一个隐藏在人群中的 “低调者”，使得边界识别困难重重。此外，训练样本量不足也可能是导致这一现象的原因之一。

研究结论与讨论

综合来看，基于 SAM 的 DRL 算法在宫颈癌放疗 OARs 自动勾画方面取得了显著成果。它成功地将 SAM 模型应用于医学影像数据集，在泛化能力、边缘保留、平滑度和一致性等方面都超越了传统的 DL 算法，为医学图像中 OARs 的自动勾画提供了可靠的解决方案。与其他研究中商业系统的 DSC 值相比，该算法的表现更为出色，这充分展示了自动勾画技术的巨大潜力，为实现端到端的自动放疗计划工作流程奠定了坚实基础。

然而，研究也存在一些局限性。该模型目前仅专注于 OARs 的自动分割，尚未涉及肿瘤靶区（如大体肿瘤体积 GTV、临床靶体积 CTV 和计划靶体积 PTV）的勾画，同时也未对小肠和乙状结肠进行分割。这主要是因为这些器官的形状和位置变化较大，而且缺乏高质量的多中心数据集用于训练和分析。但研究人员已经明确了未来的努力方向，他们将通过优化 DRL 模型，利用更大规模、高质量的多中心数据集，进一步提高对这些器官自动勾画的准确性，让模型在各种临床场景中都能 “游刃有余”，为宫颈癌放疗的精准化和高效化提供更有力的支持。