“人工智能”一直是放射肿瘤领域的热点话题，从影像到器官勾画再到放疗计划的设计，无所不包。在放射肿瘤学领域，大约50%有关AI的论文都是近四年内发表的。事实上，Eclipse计划设计系统已提供了很多工具来帮助临床实现计划设计全流程的自动化，如可实现人工智能算法开发的ESAPI（Eclipse应用程序接口），基于机器学习进行计划DVH预测的RapidPlan。本文通过近期发表的有关文章，帮助大家了解这些工具的应用，以期未来更多地助力于临床实践。
近年在放射肿瘤领域发表的人工智能文献
基于Eclipse API实现计划设计自动化
随着版本的迭代，Eclipse的应用程序接口（API）愈发灵活。最近，杜克大学医学中心的临床专家基于Eclipse API开发了基于机器学习算法的自动乳腺癌计划设计模型，目前该模型已应用于临床实践。
之所以开发这个模型，源于计划设计中遇到的一些阻碍。在杜克大学医学中心，乳腺癌的放疗方案通常使用不规则表面补偿技术（Irregular surface compensator, ISC)进行计划设计。ISC计划能够提供很好的靶区剂量覆盖和均匀的剂量分布，因为它可以基于通量图进行剂量调制，但是在使用过程中，ISC技术往往要求物理师对通量图进行不断调整和迭代，带来了计划设计时间的延长，以及最终计划质量依赖于物理师水平的问题。
所以，为了提升计划设计的效率及计划质量，临床团队基于Eclipse中的API开发了一整套计划设计工具，这个工具基于随机森林（Random forest, RF）机器学习算法，随机森林模型的输入是基于形状的特征、灰度水平、乳腺靶区的穿射深度、肺的穿射深度等，而输出是通量图——随机森林模型能够将两者关联起来。
自动计划生成[c]和最终计划[d]的通量图对比
杜克大学医学中心将这个模型实际在临床环境中测试，在回顾性分析中，他们将30个乳腺癌自动计划与手动计划做了对比，发现自动计划的质量和手动计划相当，但计划时间有显著的下降——从原来的110分钟直接降低到平均6.4分钟。
经过两次的临床前测试验证，杜克大学医学中心正式将这个模型应用在临床环境中，他们虽然已经使用传统的手动ISC计划15年，但是在转变为自动计划设计的过程中，剂量师的计划设计、医生的计划评估和物理师的质控流程并没有发生变化。他们认为，目前在实验室中我们有很多的算法来实现自动计划，但是只有少数的模型能够真正走进临床环境中去，在作者看来，通过剂量师从临床实践的角度不断反馈，模型会不断进化和完善。
通过RapidPlan开发辅助临床决策模型
对接受放疗的III期非小细胞肺癌患者来说，心脏受到高剂量照射往往和更低的整体生存率具有相关性。RapidPlan是瓦里安最早开发的基于机器学习算法的计划工具。近日，埃默里大学医学院放射肿瘤中心基于RapidPlan开发了针对III期非小细胞肺癌的VMAT计划模型，他们通过外部独立验证发现，RapidPlan的模型不仅能够实现靶区的覆盖度、均匀性和对OAR器官的保护的要求，而且能够实现心脏平均剂量和最大剂量的降低。
对比了临床计划、采用RapidPlan模型、采用保护心脏的RapidPlan模型的心脏和肺部的DVH，结果显示保护心脏的RapidPlan模型所有的剂量值都有显著的降低，最明显的是在10-25Gy区间
值得一提的是，本研究发现RapidPlan能够大幅提高对心脏各个组织的保护，例如心室平均剂量降低1.4Gy，冠状动脉剂量降低3.3Gy，心脏瓣膜剂量降低3.0Gy。一般来说，为了更精确地评估心脏剂量，平时往往需要花费1-2个小时勾画心脏的各个组成结构，而在优化过程中考虑到这些“亚结构”，又会延长优化时间1个小时。因此实践发现，通过RapidPlan模型的辅助，不仅能够在保证计划质量前提下，降低心脏各结构的剂量，而且还能节省2-3个小时的计划设计时间。
另一个例子是头颈部肿瘤。头颈部肿瘤在放射治疗疗程中可能会出现退缩，这时需要进行自适应评估来判断是否需要修改原来的计划方案。对于这个临床问题，RapidPlan也能发挥其所长。Cagni等人基于RapidPlan对80例优秀的头颈部计划进行训练，并得到一个预测模型。这个模型可通过CBCT采集得到的新解剖影像，预测自适应计划的DVH，作者将RapidPlan模型预测的结果和最终优化的结果对比，发现模型预测的准确性能够被临床接受，ROC分析显示RapidPlan模型的AUC值大于0.7。
在Eclipse中，以RapidPlan和ESAPI为代表的工具能够为物理师和剂量师在放射治疗计划设计方面带来诸多的可能性。虽然实现覆盖各个病种的自动计划尚待时日，但是自动化算法正在将物理师繁杂的工作简洁化和标准化，缓解目前物理师队伍人才紧缺的问题。对于大型医院而言，简洁而快捷的计划设计让物理师能从繁重的计划设计海量任务中抽离出来，更多的关注患者和临床流程质控。更为重要的意义在于通过计划设计“无人驾驶”，计划质量的一致性得到提高，不同区域间的放疗质量趋向同质化，对于“大病不出县”的基层医院、开展临床试验的跨区域放疗中心来说具有重要意义。
正如《医学物理》杂志中曾提到的，常规物理师的工作并不能完全被人工智能取代，但是很可能会被更懂AI技术的物理师取代，Eclipse中提供的多个工具能够帮助您开拓更广阔的边界，您只需打开手边的Eclipse物理工作站，一探究竟。
参考文献：
[1]Sua Yoo et al. Clinical Experience With Machine Learning-Based Automated Treatment Planning for Whole Breast Radiation Therapy,Advances in Radiation Oncology (2021)
[2]Joseph Harms et al. Implementation of a Knowledge-Based Treatment Planning Model for Cardiac-Sparing Lung Radiotherapy, Advances in Radiation Oncology (2021)
[3]Elisabetta Cagni et al 2021 Phys. Med. Biol.
[4]Lei Xing et al. Artificial intelligence will soon change the landscape of medical physics research and practice. Medical Physics. 2018.
*Eclipse 放射治疗计划软件 国械注进20153210987