前沿分享 | 《柳叶刀》子刊：人工智能驱动的质量保证工具在姑息性脊柱放疗中的应用

03月05日

来源：智能肿瘤学

本文探讨了人工智能（AI）技术在肿瘤学领域，特别是在姑息性脊柱放疗中的实际应用潜力。文章不仅展示了深度学习算法如何有效提高放疗的精准度，避免了因

脊柱解剖变异或错误定位带来的治疗风险，还强调了AI技术在临床实际环境中的应用可行性。尤其是该研究通过前瞻性部署，验证了AI工具（DL-SpiQA）在提高治疗安全性和效率方面的重要作用，这不仅为放疗领域带来了新的质量保证手段，也为其他医学领域AI技术的应用提供了宝贵经验。

引言

近期，The Lancet Digital Health发表了一篇由Christian V Guthier博士及其研究团队主导的研究，通讯单位为哈佛医学院布里格姆妇女医院（Brigham and Women's Hospital, Harvard Medical School, USA），探讨了AI技术在肿瘤学姑息性脊柱放疗中的质量保证应用潜力。文章指出，尽管深度学习在回顾性研究中已展示出提高放疗精确度的潜力，但其在临床实际应用中的表现尚未完全验证。为此，研究团队开发了一种基于深度学习的全自动脊柱靶标质量保证工具DL-SpiQA，并进行了前瞻性部署，以评估其在检测脊柱放疗过程中可能出现的错误、减少放疗错误发生率方面的效果。研究结果表明，DL-SpiQA在临床应用中能够有效识别和标记出可能的治疗错误（例如治疗层次错误），并且通过及时提醒放疗人员，成功避免了多起错误治疗的发生，提升了治疗的安全性。更重要的是，该研究验证了AI技术在肿瘤学姑息治疗中的适应性，表明这一工具可以为放疗过程提供重要的质量保障支持。

研究背景

肿瘤学姑息性脊柱放疗是缓解脊柱转移性肿瘤患者疼痛和症状的重要治疗手段。然而，现有放疗方案在精准性和治疗错误预防方面仍存在一定的挑战，尤其是在脊柱解剖变异、椎骨标签错误及放疗剂量分配方面。尽管深度学习技术在医学影像处理和肿瘤治疗中显示出良好的潜力，但其在临床实际应用中的可靠性和效果尚未得到全面验证。

研究方法

这篇研究通过开发并验证了一种基于深度学习的自动化质量保证工具DL-SpiQA，用于提高姑息性脊柱放疗的精准度。研究使用了回顾性和前瞻性的临床数据集，DL-SpiQA通过自动分割脊柱影像，计算每个椎体的辐射剂量，并与治疗计划对比，标记出潜在的错误治疗层次和脊柱解剖变异。 图1A展示了标准放疗流程，强调了脊柱解剖变异带来的错误风险； 图1B和 图1C分别展示了DL-SpiQA如何自动分割椎体并进行质量保证； 图1D则展示了如何通过识别剂量不一致或脊柱变异来捕捉治疗错误。所有标记的潜在错误都经过人工审核，确保了系统的准确性。图2展示了DL-SpiQA系统的工作流程。

图1 针对脊柱放射治疗临床问题的全自动解决方案

图2 标准临床脊柱放射治疗工作流程以及DL-SpiQA系统的激活点

结果与结论

回顾性测试结果：

研究对513名患者的脊柱放疗病例进行了回顾性分析。DL-SpiQA系统标记了10个剂量差异、49个正常解剖变异、49个带有植入物或其他异常的病例，以及20个分割错误，显示出4%的假阳性率。该系统还成功识别了1例错误的治疗层次和3个接近错误（即错误在治疗前被修正）。这些结果展示了DL-SpiQA在捕捉治疗层次错误和解剖变异方面的能力。

前瞻性测试结果：

在前瞻性部署阶段，DL-SpiQA对520个新的脊柱放疗治疗方案进行了质量保证，成功发现了6个文档错误，这些错误在治疗前得到了临床修正。系统还标记了43个病例，确认了已知的解剖变异，最终共发现49个潜在问题（包括解剖变异、剂量不一致等）。这些问题在 图1C和 图1D中有明确展示，显示了系统如何自动标记并通知临床人员，以便进行进一步的人工审核和处理。

表1总结了513名患者的标记剂量和体积差异问题。该表显示了113个体积差异的病例，其中许多案例是由于正常的脊柱解剖变异（如多肋、脊柱融合等）引起的。表格中的数据展示了DL-SpiQA在识别这些问题时的有效性和准确性。

表1 回顾性病例标记剂量或体积差异

表2列出了4个已知的脊柱治疗层次错误案例，这些错误都成功地被DL-SpiQA识别并标记为剂量不一致，表明该系统在识别治疗错误方面的高效性。

表2 来自电子部门安全事件报告系统和数据库的脊柱病例DL-SpiQA结果

DL-SpiQA系统通过自动化的质量保证工作流，为脊柱放射治疗提供了额外的安全保障。该系统能够高效、准确地标记潜在的治疗层次错误和解剖变异，并通过自动通知临床人员进行进一步审核，确保了治疗过程的安全性和准确性。虽然存在一些假阳性和系统误差，但这些问题对患者安全的影响较小。未来的工作应侧重于优化系统性能，减少假阳性率，并在更多临床环境中进行外部验证，进一步提升其临床应用的广泛性和可靠性。

文献来源

Kehayias, C. E. et al. A prospectively deployed deep learning-enabled automated quality assurance tool for oncological palliative spine radiation therapy. Lancet Digit. Health 7, e13–e22 (2025).

责任编辑：肿瘤资讯-DLF
排版编辑：肿瘤资讯-Z Y

本文仅供专业人士参看，文中内容仅代表智能肿瘤学立场与观点，不代表肿瘤资讯平台意见，且肿瘤资讯并不承担任何连带责任。若有任何侵权问题，请联系删除。