编辑推荐：
为解决非小细胞肺癌（NSCLC）放疗中内部大体肿瘤体积（IGTV）勾画效率低、准确性差的问题，研究人员开展了利用 4D CT 的最大和平均强度投影（MIP 和 AIP）进行 IGTV 自动勾画的研究。结果显示，深度学习模型可实现 IGTV 自动勾画，AIP 表现更优，有助于提升放疗准确性和患者预后。
肺癌是全球癌症相关死亡的主要原因，非小细胞肺癌（NSCLC）占比约 85%。放射治疗是肺癌治疗的重要手段，在放疗过程中，呼吸运动导致的肿瘤位置变化会影响放疗剂量的精准投递，可能造成肿瘤控制不足或危及器官受损 。为了应对这一问题，“内部靶体积（ITV）” 和 “内部大体肿瘤体积（IGTV）” 的概念应运而生。ITV 通过 4D CT 技术，将肿瘤在整个呼吸周期内的运动范围纳入靶体积；IGTV 则是在 ITV 基础上进一步优化，为放疗计划提供更精准的靶区定义。然而，目前精确勾画 IGTV 的方法是在 4D CT 的 10 个呼吸相位上手动勾勒肿瘤轮廓，再合并得到 IGTV，这一过程效率低、易受主观因素影响 。
在此背景下，江西癌症医院（江西省肿瘤医院 & 研究所，南昌医学院第二附属医院）、江西省肿瘤重点实验室、江西省癌症临床研究中心的研究人员开展了一项旨在利用深度学习（DL）技术提高 IGTV 分割准确性的研究。该研究成果发表在《Radiation Oncology》杂志上，为肺癌放疗提供了新的解决方案。
研究人员采用的关键技术方法主要包括：一是数据采集，收集 124 例 NSCLC 患者的 4D CT 图像，这些患者均经组织学确诊，且完成了规定的放疗疗程，4D CT 图像在治疗前通过西门子 SOMATOM Definition AS CT 扫描仪获取；二是图像处理，生成 4D CT 的 AIP 和 MIP 图像，并由经验丰富的放疗科医生手动勾勒出相应的 IGTV，同时将 4D CT 上手动勾勒的 IGTV 作为金标准（IGTVgt） ；三是模型构建与训练，选择 U-net、attention U-net 和 V-net 三种卷积神经网络模型，以 AIP 或 MIP 图像及其对应的手动勾勒 IGTV 作为输入，使用 AdamW 优化器在配备 8 个 NVIDIA GeForce RTX 4090 GPU 的服务器上进行训练；四是模型评估，使用 Dice 相似系数（DSC）、表面 DSC、95% Hausdorff 距离（HD95）、敏感性和特异性等指标评估模型性能。
研究结果如下：
- 患者特征：训练组和测试组患者在年龄、性别和总体癌症分期方面无显著差异，这表明数据集划分合理，减少了混杂因素对研究结果的影响。
- 模型性能：在基于 MIP 的 IGTV 勾画中，attention U-net 模型表现最佳，DSC 为 0.852±0.053，HD95 为 3.209±2.136mm；在基于 AIP 的 IGTV 勾画中，attention U-net 同样表现出色，DSC 达到 0.871±0.048，HD95 为 2.958±2.266mm。综合来看，AIP 在几乎所有指标上的表现略优于 MIP。
- 可视化结果：通过对典型病例的可视化分析发现，模型在大部分切片上能够正确预测肿瘤，相比手动勾画有显著改进。但在部分切片上，模型存在误判情况，如在肿瘤目标几乎不可见时，手动勾画困难，而模型能成功识别；在某些切片的顶部和底部，模型会出现假阳性预测。
研究结论和讨论部分指出，该研究提出的基于 DL 模型的 IGTV 自动勾画方法具有重要意义。与以往研究相比，该方法利用 AIP 和 MIP 图像，充分挖掘了 4D CT 扫描中的信息，更全面准确地反映了肿瘤运动和密度变化，简化了放疗流程，提高了放疗计划的准确性和一致性，有望改善患者预后 。同时，研究也发现 U-net 和 attention U-net 在 IGTV 分割任务上表现优于 V-net，这可能与 V-net 的结构设计有关，其更适用于处理更复杂的结构，而 AIP 和 MIP 图像的强度变化相对简单 。
然而，该研究也存在一定局限性。例如，这是一项单中心、小样本的初步可行性研究，结果的普适性有待进一步验证；所使用的模型为标准模型，未针对本研究数据集和任务进行定制；研究依赖手动 IGTV 勾画，存在观察者间差异；肿瘤运动幅度和位置可能影响分割性能，且未探索 MIP 和 AIP 图像融合的潜在优势 。针对这些局限性，未来研究可开展多中心验证，开发定制化模型，探索标准化勾画协议，研究肿瘤运动和位置对分割的影响，并尝试融合 MIP 和 AIP 图像，以进一步提高 IGTV 分割的准确性和临床应用价值。
