该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型，对 PTV 进行分割，实现了显著的改善。

Feb, 2024

采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

Sep, 2018

本文介绍了一种基于深度学习的自动轮廓绘制方法，用于对人体进行放射治疗的规划。我们通过对 100 位 TMLI 患者的数据集进行模型训练并对结果进行评估，得到了非常有前途的结果，并有望帮助辐射肿瘤科医生更加高效地治疗更多的患者。

Apr, 2023

射线治疗计划是一项耗时且潜在主观性的过程，需要迭代调整模型参数以平衡多个冲突的目标。本研究介绍了 GPT-RadPlan，它是一个完全自动化的治疗计划框架，利用多模态大型语言模型中编码的放射治疗学知识，作为专家人工规划师指导治疗计划过程。通过在上下文中学习，将临床规程作为提示，使 GPT-4V 获得治疗计划领域知识。结果显示，GPT-RadPlan 在多个前列腺癌和头颈癌案例中表现出优越的目标覆盖和器官风险保护，在满足临床规程中的剂量目标方面始终表现出色，实现了自动化治疗计划过程的显著结果，无需额外的训练。

Jun, 2024

通过使用图像和大型语言模型（LLM）辅助的深度学习模型，本研究提出了一种将无结构图像转化为结构化图形的流程，并开发了一种名为 DoseGNN 的剂量图神经网络模型用于预测剂量体积直方图（DVH）。与放射治疗中广泛使用的 DL 模型相比，LLM 增强的 DoseGNN 模型在预测上取得了 Swim U-Net Transformer、3D U-Net CNN 和普通 MLP 的平方误差的 80％、76％和 41.0％的效果，并通过与临床医生的自然语言交互，实现了与治疗计划的无缝调整。

Feb, 2024

放射治疗学领域能够受益于使用人工智能完全自动化创建癌症治疗的辐射治疗计划。本研究提出了 Swin UNETR++，包含一个轻量级的 3D 双重交叉注意力（DCA）模块，以捕获每个患者独特解剖结构内部和体积间的关联，从而弥补了完全卷积神经网络的不足。我们的模型在 Open Knowledge-Based Planning 数据集上进行了训练、验证和测试。除了定量评估预测和真实 3D 辐射剂量分布之间的差异的剂量分数 δS 和剂量体积直方图分数 δDVH 之外，我们提出了平均体积级验收率 δRVA 和平均患者级临床验收率 δRPA 这两个定性评估指标来评估预测的临床可靠性。Swin UNETR++ 在验证和测试数据集上表现出接近最先进的性能，为将 3D 剂量预测转化为可交付的治疗计划，从而实现全自动化提供了基础。

Nov, 2023

利用 Transformer-based polymerized feature 模块进行颈部癌症的剂量分布预测，通过领域适应性方法将从直肠癌学到的丰富知识转化应用于颈部癌症，以提高预测性能。实验结果表明，该方法优于现有方法。

Aug, 2023

通过训练隐式生成模型并引入实时扫描数据更新预测的新方法，我们在不需要斜视扫描的情况下，通过从 3D 相机图像中估计患者扫描范围、等轴中心和水当量直径，为 CT 肺癌筛查提供了一种新颖的方法。在测试集的 110 对深度数据和 CT 扫描上展示了我们方法的有效性，得出了等轴中心估计误差平均为 5mm，扫描范围测定误差为 13mm，前后方向水当量直径估计误差为 10mm 和 16mm。我们方法的相对水当量直径误差为 4%，远远在国际电工委员会（IEC）接受标准的 10% 之内。

Sep, 2023

本文提出了系统的集成专家人员的知识和 AI 推荐的方法，使用高斯过程模型和深度神经网络来量化医师和 AI 的推荐给出的治疗结果的不确定性，并将其用作指导临床医师和提高 AI 模型性能的准则，在一个综合数据集上演示了该方法

Feb, 2022

深度学习在放疗自动化方面发挥了作用，但现有方法无法得出可直接输入治疗计划系统（TPS）的理想放疗参数，阻碍了放疗全面自动化。本文提出了一个新的两阶段框架，用于直接回归放疗参数，包括剂量图预测阶段和放疗参数回归阶段。实验证明我们的方法的有效性。

Feb, 2024