综述：宫颈癌近距离放射治疗中的施源器重建：当前方法、挑战及人工智能驱动的未来方向的系统评价

《Brachytherapy》：Applicator reconstruction in cervical cancer brachytherapy: A systematic review of current methods, challenges, and AI-driven future directions

AI在 cervical cancer 3D-IGBT治疗中通过提升几何精度（亚毫米级）和效率（<30秒/例），有效减少传统方法依赖人工的误差，但仍需解决临床验证不足、数据异质性和新型 applicator 推广等问题。

　　

Vida Sargazi|Shahrokh Naseri|Hamid Gholamhosseinian|Mehdi Momennezhad

伊朗马什哈德医科大学医学院医学物理系

摘要

目的

在宫颈癌的3D图像引导近距离放疗（3D-IGBT）中，精确的施照器重建是一个关键步骤，它直接影响肿瘤控制和风险器官的保护。本系统评价了施照器重建方法的准确性、效率及其临床影响，重点探讨了人工智能（AI）克服现有局限性的潜力。

方法和材料

遵循PRISMA指南，分析了来自MEDLINE、PubMed、Scopus、Embase、Lilacs和Web of Science（截至2025年5月）的23项研究。评估指标包括几何准确性（尖端误差、Hausdorff距离）、重建时间和剂量学参数（D90 HR-CTV、D2cc OARs）。评估的方法包括手动方法（如MPR、基于侦察图像的方法）、半自动方法（库方法、聚类算法）和AI驱动的方法（如U-Net、Dilated-Supervised Deep U-Net、Attention-Gated网络）。特别关注了深度学习（DL）架构及其克服金属伪影、部分体积效应和操作者间变异性的能力。

结果

手动方法存在显著局限性，尖端误差可达4.1毫米。半自动方法减少了变异（基于库的方法：平均偏差<0.5毫米），但仍受预定义施照器模型的限制。AI驱动的工作流程表现出更高的精度，实现了亚毫米级的准确性（中位尖端误差：0.64毫米；Dice相似系数（DSC）>0.89）和剂量学一致性（D2cc偏差<3%）。值得注意的是，如DSD-UNet和Attention-Gated U-Net这样的DL模型将重建时间缩短至每例<30秒，同时保持了对CT伪影的鲁棒性。然而，仍存在挑战，包括有限的临床验证（60%的研究使用的是模拟体）、数据异质性（层厚：0.6–5毫米）以及对新施照器设计的泛化能力。

结论

AI驱动的重建减少了人为误差并提高了效率，但临床验证仍然是优先事项。建议减少CT层厚（≤1.5毫米）并结合侦察图像以减轻金属伪影。未来的研究应关注适用于非库施照器的通用AI模型以及大规模的临床验证。

引言

宫颈癌仍然是全球主要的健康挑战之一，是全球女性中第四大常见癌症和癌症相关死亡的原因，仅2020年就报告了超过342,000例死亡病例（1,2）。三维图像引导近距离放疗（3D-IGBT）已成为治愈性治疗的基石，能够在保护周围风险器官（OARs）的同时向肿瘤提供高度适形的剂量。该方法涉及在CT模拟室中将根据治疗区域、肿瘤大小和形状选定的适当施照器放置到患者体内。随后，在施照器就位的情况下获取必要的图像。这些图像随后被传输到治疗计划系统（TPS）中进行剂量计算（3）。

3D-IGBT中的一个关键且持续具有挑战性的步骤是施照器重建，用于剂量计算（1）。它定义了TPS中的施照器几何形状和源路径。该过程包括确定关键参数，如第一个源的停留位置、后续源放置的步长以及源的中心路径（4）。重建中的错误会直接影响肿瘤（目标体积）和周围健康器官（OARs）的剂量传递准确性（5）。鉴于BT中固有的陡峭剂量梯度，即使是很小的施照器重建误差也可能导致显著的剂量偏差（6）。例如，小的几何误差（如1.5毫米）也可能导致超过10%的剂量偏差（7）。

传统方法，包括手动数字化方法，受到操作者依赖性、耗时工作流程和成像伪影（如CT中的金属条纹）的影响（4）。虽然半自动方法（如虚拟施照器库）可以减少几何不确定性（尖端误差<0.5毫米），但它们仅限于预建模的施照器，无法处理复杂情况，如间质针或混合施照器（8）。此外，传统的阈值处理和区域生长算法在处理低对比度的CT/MR兼容施照器或密集排列的导管时存在困难，通常需要手动校正（9）。

基于深度学习（DL）的解决方案，如3D U-Net和注意力门控网络，通过自动化施照器分割和轨迹重建提供了变革潜力，实现了亚毫米级的准确性（尖端误差<0.7毫米）和缩短的处理时间（<30秒）（1,10）。然而，该领域的现有证据往往分散，关于几何准确性、剂量学影响和临床可扩展性的报告不一致。

因此，进行全面的系统评价对于综合现有文献、评估近距离放疗施照器重建技术的有效性和准确性以及确定未来研究方向至关重要。虽然之前的评价广泛探讨了近距离放疗的创新，但本研究独特地关注基于CT的工作流程，综合了三个关键方面的证据：

1-比较有效性：评估手动、半自动和AI驱动方法的准确性、效率和速度。

2-剂量学后果：量化几何误差如何影响剂量不确定性（例如，D90 HR-CTV、D2cc OARs）。

3-临床整合：制定指导方针，以标准化AI在治疗计划系统中的应用。

通过解决这些挑战，本评价旨在提高精度、减少操作时间并改善患者预后。据我们所知，这是第一项评估AI在宫颈癌CT引导施照器重建中作用的系统评价，为临床应用提供了可操作的见解。

部分内容

方案和注册

本系统评价遵循了PRISMA 2020指南（11）。在开始之前，该评价方案已在PROSPERO注册（注册号：[PROSPERO 2025 CRD420251052495]）。

搜索策略

在2007年至2025年5月期间，对MEDLINE、PubMed、Scopus、Embase、Web of Science和LILACS数据库进行了全面搜索。搜索策略结合了关键词和MeSH术语（如适用）：“施照器数字化”或“施照器重建”或“导管”

结果

文献回顾：从各种数据库共检索到228篇文章：MEDLINE（16篇）、Embase（25篇）、Web of Science（34篇）、PubMed（34篇）、Lilacs（69篇）和引用文献（9篇）。去除114篇重复文章后，剩余114篇。其中，91篇因标题和摘要不相关而被排除。随后，2名研究人员对23篇文章进行了全文审查，这些文章是

讨论

精确的施照器重建对于基于3D图像的近距离放疗治疗计划至关重要。本系统评价了从手动到自动化数字化技术的演变，强调了它们对剂量学结果、工作流程效率和几何精度的影响。

结论

本评价强调了AI驱动的施照器重建在近距离放疗中的变革潜力。自动化方法，特别是DL辅助框架，提供了更高的精度（尖端误差<1毫米）和效率（每例<30秒），直接解决了手动工作流程中的长期问题。临床应用需要克服三个障碍：（1）非库施照器的有限验证，（2）AI作为医疗设备的监管障碍（例如FDA），以及（3）培训计划