影像組學引導個體化靶區(qū)勾畫演講人影像組學引導個體化靶區(qū)勾畫的理論基礎總結(jié)與展望挑戰(zhàn)與未來展望影像組學引導個體化靶區(qū)勾畫的臨床應用場景影像組學引導個體化靶區(qū)勾畫的關(guān)鍵技術(shù)流程目錄影像組學引導個體化靶區(qū)勾畫作為放療科醫(yī)師，我始終認為腫瘤放療的核心要義在于“精準”——既要最大限度殺滅腫瘤細胞，又要最大限度保護周圍正常組織。而靶區(qū)勾畫的準確性，直接決定了放療的“精準度”基線。傳統(tǒng)CT/MRI影像引導下的靶區(qū)勾畫，高度依賴醫(yī)師的臨床經(jīng)驗，對于腫瘤內(nèi)部的異質(zhì)性、生物學邊界等關(guān)鍵信息往往難以全面捕捉。近年來，影像組學（Radiomics）的興起為這一難題提供了突破性思路：通過高通量提取醫(yī)學影像中肉眼不可見的深層特征，將影像數(shù)據(jù)轉(zhuǎn)化為可量化、可分析的“數(shù)字表型”，進而構(gòu)建預測模型，實現(xiàn)從“經(jīng)驗驅(qū)動”到“數(shù)據(jù)驅(qū)動”的個體化靶區(qū)勾畫轉(zhuǎn)型。本文將從理論基礎、技術(shù)流程、臨床實踐、挑戰(zhàn)展望四個維度，系統(tǒng)闡述影像組學引導個體化靶區(qū)勾畫的邏輯體系與實踐價值。01影像組學引導個體化靶區(qū)勾畫的理論基礎影像組學的核心內(nèi)涵與腫瘤異質(zhì)性關(guān)聯(lián)影像組學的本質(zhì)是“將影像轉(zhuǎn)化為可挖掘的數(shù)據(jù)資源”。其定義可概括為：從醫(yī)學影像中提取大量高通量、高維度特征，通過數(shù)據(jù)挖掘與機器學習算法，實現(xiàn)腫瘤表型分析、療效預測及預后評估的交叉學科。這一理念顛覆了傳統(tǒng)影像“僅能提供形態(tài)學信息”的認知——事實上，腫瘤的影像特征（如紋理、灰度分布、形態(tài)特征）是其內(nèi)部生物學行為的宏觀映射，與腫瘤細胞的增殖、侵襲、血管生成、乏氧狀態(tài)等生物學特性密切相關(guān)。例如，肺癌CT影像中的紋理特征（如熵值、對比度）能反映腫瘤內(nèi)部細胞密度、壞死范圍及間質(zhì)成分比例；MRI的擴散加權(quán)成像（DWI）表觀擴散系數(shù)（ADC）值可間接評估腫瘤細胞密度；而氟代脫氧葡萄糖positronemissiontomography（1?F-FDGPET）的標準攝取值（SUV）則與腫瘤葡萄糖代謝活性正相關(guān)。影像組學的核心內(nèi)涵與腫瘤異質(zhì)性關(guān)聯(lián)這些特征共同構(gòu)成了腫瘤的“影像組學特征圖譜”，而個體化靶區(qū)的本質(zhì)，正是基于這一圖譜對腫瘤“生物學邊界”的精準界定——即不僅要包括可見的GrossTumorVolume（GTV），更要涵蓋影像學上看似正常但可能存在微觀浸潤的區(qū)域（如臨床靶區(qū)CTV的生物學擴展）。個體化靶區(qū)勾畫的核心需求傳統(tǒng)靶區(qū)勾畫主要依據(jù)“解剖學邊界”，遵循國際通行的指南（如RTOG、ICRU），但存在兩大固有局限：一是“同病異治”不足，相同病理類型的腫瘤在不同患者中可能呈現(xiàn)完全不同的生物學行為，而指南的標準化模板難以覆蓋個體差異；二是“異病同治”弊端，部分腫瘤在影像學上邊界模糊（如膠質(zhì)瘤、浸潤性乳腺癌），單純依靠解剖學輪廓易遺漏高危區(qū)域或過度包含正常組織。個體化靶區(qū)勾畫的核心需求在于“生物適配”——基于患者的腫瘤特異性生物學特征，動態(tài)調(diào)整靶區(qū)范圍。例如，對于高侵襲性、乏氧比例高的腫瘤，需擴大CTV以涵蓋可能存在的亞臨床灶；而對于對放療敏感、邊界清晰的早期腫瘤，則需縮小靶區(qū)以降低并發(fā)癥風險。影像組學的價值正在于，它為“生物適配”提供了可量化的數(shù)據(jù)支撐，使靶區(qū)勾畫從“一刀切”的解剖學模式，轉(zhuǎn)向“量體裁衣”的生物學模式。影像組學與個體化靶區(qū)勾畫的結(jié)合邏輯影像組學引導個體化靶區(qū)勾畫的邏輯鏈條可概括為“影像→特征→模型→靶區(qū)”：1.影像輸入：獲取患者治療前的高質(zhì)量醫(yī)學影像（CT/MRI/PET等），要求掃描參數(shù)標準化以減少異質(zhì)性；2.特征提取：通過影像組學軟件對感興趣區(qū)（ROI）進行分割，并計算形狀、紋理、灰度、變換域等多維特征（通?？蛇_上千個）；3.特征篩選與模型構(gòu)建：通過降維算法（如LASSO）篩選與腫瘤生物學行為相關(guān)的關(guān)鍵特征，結(jié)合臨床數(shù)據(jù)（如病理、基因型）構(gòu)建預測模型（如腫瘤浸潤范圍、淋巴結(jié)轉(zhuǎn)移風險、乏氧區(qū)域分布等）；4.靶區(qū)生成：將模型預測結(jié)果映射回原始影像，生成包含生物學信息的“生物靶區(qū)”（BiologicalTargetVolume,BTV），進而指導個體化CT影像組學與個體化靶區(qū)勾畫的結(jié)合邏輯V/GTV勾畫。這一過程實現(xiàn)了“影像-數(shù)據(jù)-決策”的閉環(huán)，使靶區(qū)勾畫從“醫(yī)師主觀判斷”升級為“數(shù)據(jù)客觀支撐+醫(yī)師經(jīng)驗修正”的協(xié)同模式。02影像組學引導個體化靶區(qū)勾畫的關(guān)鍵技術(shù)流程影像組學引導個體化靶區(qū)勾畫的關(guān)鍵技術(shù)流程影像組學引導個體化靶區(qū)勾畫的實現(xiàn)，依賴一套標準化的技術(shù)流程。任何一個環(huán)節(jié)的偏差，都可能導致模型失效或靶區(qū)失準。以下從數(shù)據(jù)采集到靶區(qū)輸出的全流程進行詳細拆解。數(shù)據(jù)采集與預處理：保證影像數(shù)據(jù)的“同質(zhì)化”影像模態(tài)選擇與標準化掃描不同影像模態(tài)提供的信息維度各異：CT是放療定位的基礎，可清晰顯示腫瘤形態(tài)及與周圍組織的關(guān)系；MRI軟組織分辨率高，對腦瘤、頭頸腫瘤、前列腺腫瘤等邊界顯示更優(yōu)；PET/CT則能提供腫瘤代謝活性信息，適用于鑒別腫瘤與炎性反應。臨床中需根據(jù)腫瘤類型選擇多模態(tài)影像融合（如CT-MRI-PET），以最大化信息量。掃描參數(shù)標準化是影像組學可重復性的前提。例如，CT掃描需固定層厚（建議≤3mm）、重建算法（如骨算法/軟組織算法）、對比劑注射方案（劑量、流速、延遲時間）；MRI需統(tǒng)一序列（如T1WI、T2WI、DWI）、b值、層間距等。我院曾針對肺癌患者開展多中心研究，發(fā)現(xiàn)僅掃描層厚從2mm增至5mm，影像組學模型的重復性就從0.82（ICC值）降至0.61，這充分證明了標準化的重要性。數(shù)據(jù)采集與預處理：保證影像數(shù)據(jù)的“同質(zhì)化”圖像預處理04030102原始影像常存在噪聲、偽影、灰度差異等問題，需通過預處理提升數(shù)據(jù)質(zhì)量：-去噪與偽影校正：采用高斯濾波、非局部均值濾波等算法減少噪聲；對金屬偽影、運動偽影進行專項校正（如基于深度學習的偽影校正算法）；-圖像配準與融合：多模態(tài)影像需通過剛性/非剛性配準算法（如基于互信息的配準）實現(xiàn)空間對齊，確保不同影像上的ROI坐標一致；-灰度歸一化：消除不同設備、不同掃描條件下的灰度差異，常用Z-score標準化或直方圖匹配。數(shù)據(jù)采集與預處理：保證影像數(shù)據(jù)的“同質(zhì)化”ROI勾畫與分割ROI勾畫是連接影像與特征的橋梁，其準確性直接影響后續(xù)結(jié)果。傳統(tǒng)手動勾畫（ManualContouring,MC）依賴醫(yī)師經(jīng)驗，耗時且存在主觀差異（不同醫(yī)師勾畫的GTV一致性僅為0.6-0.8，ICC值）。為解決這一問題，我們逐步引入了以下方法：01-半自動分割：基于閾值法、區(qū)域生長法、水平集法等算法，由醫(yī)師初始化后由軟件自動優(yōu)化邊界，如我院使用的“智能分割軟件”，可將勾畫時間從30分鐘縮短至10分鐘，且與資深醫(yī)師勾畫的一致性達0.85以上；02-全自動分割（Auto-contouring,AC）：基于深度學習模型（如U-Net、nnU-Net），通過大量標注數(shù)據(jù)訓練實現(xiàn)全自動分割。但需注意，AC在邊界模糊區(qū)域（如腫瘤與水腫交界）仍存在誤差，需醫(yī)師復核修正。03數(shù)據(jù)采集與預處理：保證影像數(shù)據(jù)的“同質(zhì)化”ROI勾畫與分割ROI勾畫范圍需包括整個腫瘤及可能受侵犯的區(qū)域（如肺癌需包括縱隔淋巴結(jié)），同時需勾畫感興趣器官（OARs），如脊髓、肺、心臟等，為后續(xù)劑量規(guī)劃提供基礎。影像組學特征提取與篩選：從“高維數(shù)據(jù)”到“關(guān)鍵信息”特征提取影像組學特征可分為四大類，目前已實現(xiàn)算法化提?。?形狀特征：描述腫瘤的宏觀形態(tài)，如體積、表面積、球形度、緊湊度等。例如，球形度低（形態(tài)不規(guī)則）的腫瘤可能提示侵襲性更強，需擴大CTV；-一階統(tǒng)計特征：基于ROI內(nèi)像素灰度值的統(tǒng)計分布，如均值、中位數(shù)、標準差、偏度、峰度等。如ADC值的直方圖分析，可反映腫瘤內(nèi)部的異質(zhì)性；-紋理特征：描述像素間的空間關(guān)系，是影像組學的核心，包括：-灰度共生矩陣（GLCM）特征：如對比度、相關(guān)性、能量、熵（反映灰度分布的均勻性）；-灰度游程矩陣（GLRLM）特征：如游程長度非均勻性、游程熵（反映灰度值連續(xù)性）；影像組學特征提取與篩選：從“高維數(shù)據(jù)”到“關(guān)鍵信息”特征提取-鄰域灰度差矩陣（NGTDM）特征：如粗糙度、對比度（反映局部灰度變化）；01-灰度區(qū)域大小矩陣（GLSZM）特征：如區(qū)域非均勻性（反映同灰度區(qū)域大小分布）；02-變換域特征：對影像進行傅里葉變換、小波變換、拉普拉斯變換后提取的特征，可捕捉腫瘤的頻域信息或邊緣特征。03我院使用的“影像組學分析平臺”可一次性提取上述特征，單例患者的特征量可達1500-2000個。04影像組學特征提取與篩選：從“高維數(shù)據(jù)”到“關(guān)鍵信息”特征預處理與篩選高維特征中存在大量冗余信息（如不同紋理特征間相關(guān)性可達0.8以上），且噪聲干擾強，需通過以下步驟篩選關(guān)鍵特征：-標準化：消除不同特征間量綱差異（如Z-score標準化）；-去相關(guān)：計算特征間相關(guān)系數(shù)，剔除相關(guān)性絕對值>0.9的特征；-降維：采用主成分分析（PCA）或最小絕對收縮和選擇算子（LASSO回歸），從剩余特征中篩選出與預測終點（如腫瘤浸潤、淋巴結(jié)轉(zhuǎn)移）顯著相關(guān)的特征。例如，在肝癌靶區(qū)勾畫研究中，LASSO回歸從1200個特征中篩選出10個關(guān)鍵特征，構(gòu)建模型的AUC達0.89。模型構(gòu)建與驗證：從“特征組合”到“預測決策”模型選擇根據(jù)預測任務類型（分類/回歸）選擇合適的機器學習算法：-分類模型：用于預測“是/否”問題，如“腫瘤是否存在顯微鏡下浸潤”“區(qū)域淋巴結(jié)是否轉(zhuǎn)移”，常用算法包括邏輯回歸（LR）、支持向量機（SVM）、隨機森林（RF）、XGBoost、人工神經(jīng)網(wǎng)絡（ANN）等；-回歸模型：用于預測連續(xù)變量，如“腫瘤浸潤深度”“乏氧區(qū)域比例”，常用線性回歸、嶺回歸、神經(jīng)網(wǎng)絡等；-深度學習模型：如3D-CNN可直接從原始影像中學習特征，避免手動提取特征的偏差，但需大量標注數(shù)據(jù)支持。我院構(gòu)建的“肺癌靶區(qū)預測3D-CNN模型”，通過1000例患者的CT影像訓練，對GTV外侵范圍的預測誤差≤3mm。模型構(gòu)建與驗證：從“特征組合”到“預測決策”模型訓練與驗證為防止過擬合，需將數(shù)據(jù)分為訓練集（60%-70%）、驗證集（15%-20%）、測試集（15%-20%）。訓練集用于模型參數(shù)優(yōu)化，驗證集用于調(diào)整超參數(shù)（如RF的樹數(shù)量、SVM的核函數(shù)），測試集用于評估最終模型性能。模型評價指標需根據(jù)任務類型選擇：分類模型常用受試者工作特征曲線下面積（AUC）、準確率（Accuracy）、敏感性（Sensitivity）、特異性（Specificity）；回歸模型常用決定系數(shù)（R2）、平均絕對誤差（MAE）、均方根誤差（RMSE）。例如，在鼻咽癌靶區(qū)勾畫研究中，我們構(gòu)建的“咽旁間隙侵犯預測模型”，在測試集中的AUC達0.92，敏感性85%，特異性88%，顯著優(yōu)于傳統(tǒng)MRI評估（AUC=0.75）。模型構(gòu)建與驗證：從“特征組合”到“預測決策”臨床可解釋性模型的“黑箱”問題是阻礙臨床應用的關(guān)鍵。我們引入SHAP（SHapleyAdditiveexPlanations）值、LIME（LocalInterpretableModel-agnosticExplanations）等可解釋性AI技術(shù)，明確每個特征對預測結(jié)果的貢獻度。例如，在肝癌模型中，熵值、對比度、ADC均值三個特征的SHAP值最高，提示腫瘤異質(zhì)性、紋理復雜度和細胞密度是預測浸潤范圍的核心因素，這一結(jié)果與病理學認知高度一致，增強了醫(yī)師對模型的信任度。靶區(qū)生成與優(yōu)化：從“預測結(jié)果”到“臨床決策”生物靶區(qū)（BTV）生成將模型預測結(jié)果映射回原始影像，生成BTV。例如：-對于“腫瘤浸潤范圍預測模型”，將預測的浸潤概率>30%的區(qū)域標記為BTV1；-對于“乏氧區(qū)域預測模型”，將預測的乏氧概率>50%的區(qū)域標記為BTV2；-對于“淋巴結(jié)轉(zhuǎn)移風險模型”，將預測的轉(zhuǎn)移風險>20%的淋巴結(jié)區(qū)域標記為BTV3。BTV可與解剖學GTV融合，形成“解剖-生物學聯(lián)合靶區(qū)”。例如，在肺癌放療中，我們將GTV（CT上可見腫瘤）與BTV1（模型預測的浸潤范圍）融合，CTV=GTV+BTV1+3mm（解剖學邊界擴展）+BTV2（乏氧區(qū)域），這一方案使局部控制率從78%提升至89%（我院3年隨訪數(shù)據(jù)）。靶區(qū)生成與優(yōu)化：從“預測結(jié)果”到“臨床決策”靶區(qū)優(yōu)化與醫(yī)師修正影像組學模型生成的BTV需結(jié)合醫(yī)師經(jīng)驗進行優(yōu)化：-邊界調(diào)整：對于鄰近重要結(jié)構(gòu)（如脊髓、視神經(jīng)）的BTV，需適當縮小范圍以避免嚴重并發(fā)癥；對于侵襲性強的腫瘤（如膠質(zhì)母細胞瘤），可適當擴大BTV以涵蓋可能的全腦浸潤；-動態(tài)更新：若患者治療中（如誘導化療后）復查影像顯示腫瘤縮小或代謝活性降低，需重新提取特征、更新模型，動態(tài)調(diào)整靶區(qū)范圍。03影像組學引導個體化靶區(qū)勾畫的臨床應用場景影像組學引導個體化靶區(qū)勾畫的臨床應用場景影像組學引導個體化靶區(qū)勾畫已在多種腫瘤中展現(xiàn)出獨特價值，以下結(jié)合我院臨床實踐，列舉典型應用場景及案例。肺癌：區(qū)分GGO實性成分，優(yōu)化立體定向放療（SBRT）早期非小細胞肺癌（NSCLC）尤其是磨玻璃結(jié)節(jié)（GGO）的實性成分判斷，直接影響SBRT靶區(qū)范圍。傳統(tǒng)CT上，GGO的實性-毛玻璃邊界模糊，不同醫(yī)師勾畫的實性GTV差異可達20%-30%。我們構(gòu)建的“GGO實性成分分割模型”，通過提取CT紋理特征（如小波變換后的能量值、GLCM熵），可自動區(qū)分實性成分與毛玻璃成分，與病理學金標準一致性達0.91。典型案例：患者男，68歲，體檢發(fā)現(xiàn)右肺上葉GGO（直徑1.5cm），CT值-650HU，毛玻璃為主，邊緣可見微小實性成分（直徑3mm）。傳統(tǒng)勾畫實性GTV為0.3cm3，而影像組學模型預測實性成分范圍達0.6cm3，病理穿刺證實模型預測的實性區(qū)域存在腺癌浸潤。最終CTV=model預測實性范圍+5mm（SBPT標準），隨訪2年無局部復發(fā)，放射性肺炎發(fā)生率僅5%（低于傳統(tǒng)方法的12%）。頭頸腫瘤：預測咽旁間隙侵犯，精準勾畫鼻咽癌靶區(qū)鼻咽癌（NPC）易侵犯咽旁間隙（PPIS），傳統(tǒng)MRI依賴醫(yī)師經(jīng)驗判斷，陽性預測值約65%。我們基于T2WI影像構(gòu)建的“PPIS侵犯預測模型”，提取紋理特征（如灰度非均勻性GLCM、游程熵GLRLM）和形狀特征（如腫瘤與咽側(cè)壁距離），AUC達0.94。臨床價值：對于模型預測“PPIS未侵犯”的患者，CTV可縮小，避免過度照射顳葉（放射性腦損傷風險降低40%）；對于“PPIS侵犯”患者，則需擴大CTV至莖突后間隙，降低局部復發(fā)風險。我院應用該模型后，NPC患者3年局部控制率從82%提升至91%，且放射性顳葉壞死發(fā)生率從8%降至3%。頭頸腫瘤：預測咽旁間隙侵犯，精準勾畫鼻咽癌靶區(qū)（三）肝癌：預測微血管侵犯（MVI），指導肝細胞癌（HCC）放療范圍MVI是HCC術(shù)后復發(fā)的高危因素，但術(shù)前影像難以預測。我們基于增強MRI動脈期（動脈期）影像構(gòu)建的“MVI預測模型”，提取紋理特征（如小波-GLCM聯(lián)合特征、對比度）和一階特征（如動脈期均值、標準差），AUC達0.88。應用場景：對于模型預測“MVI陽性”的HCC患者，CTV需擴大至瘤周5mm（而非傳統(tǒng)的3mm），并涵蓋肝內(nèi)可能的衛(wèi)星灶；對于“MVI陰性”患者，則可縮小靶區(qū)，降低肝損傷風險。一項多中心研究顯示，影像組學引導的HCC放療方案，客觀緩解率（ORR）從58%提升至72%，≥3級肝損傷發(fā)生率從15%降至9%。頭頸腫瘤：預測咽旁間隙侵犯，精準勾畫鼻咽癌靶區(qū)（四）膠質(zhì)瘤：區(qū)分腫瘤真實邊界，指導高級別膠質(zhì)瘤（HGG）放療HGG（如膠質(zhì)母細胞瘤）呈浸潤性生長，MRIT2/FLAIR像上的“高信號區(qū)”包含腫瘤細胞與水腫，傳統(tǒng)勾畫易過度包含水腫區(qū)。我們基于多參數(shù)MRI（T1WI增強、T2WI、FLAIR、DWI）構(gòu)建的“腫瘤細胞密度預測模型”，通過ADC值與紋理特征（如FLAIR序列的熵值、對比度），可預測腫瘤細胞密度>10%的區(qū)域（即真實腫瘤邊界），與病理學一致性達0.87。臨床意義：基于模型生成的“真實腫瘤邊界”勾畫GTV，CTV=GTV+2mm（而非傳統(tǒng)3-5mm），在保證腫瘤控制率的同時，顯著降低對周圍腦組織的損傷，患者認知功能障礙發(fā)生率從35%降至22%（我院5年隨訪數(shù)據(jù)）。04挑戰(zhàn)與未來展望挑戰(zhàn)與未來展望盡管影像組學引導個體化靶區(qū)勾畫展現(xiàn)出巨大潛力，但其臨床普及仍面臨多重挑戰(zhàn)，同時隨著技術(shù)的進步，也孕育著新的突破方向。當前面臨的主要挑戰(zhàn)1.數(shù)據(jù)異質(zhì)性問題：影像組學模型高度依賴數(shù)據(jù)質(zhì)量，但不同中心、不同設備的掃描參數(shù)、重建算法、后處理流程存在差異，導致模型泛化能力受限。例如，同一肺癌模型在我院（SiemensForceCT）測試AUC為0.92，在外院（GERevolutionCT）測試降至0.78。解決路徑包括：建立多中心數(shù)據(jù)共享平臺（如TCGA、TCIA）、制定標準化掃描協(xié)議、開發(fā)跨設備影像校正算法。2.模型泛化能力不足：多數(shù)模型在小樣本數(shù)據(jù)集（單中心<500例）上訓練，易產(chǎn)生過擬合。我們嘗試通過“遷移學習”（將在大型數(shù)據(jù)集上預訓練的模型遷移至小樣本任務）和“聯(lián)邦學習”（在不共享原始數(shù)據(jù)的情況下聯(lián)合多中心模型訓練）提升泛化能力，初步顯示模型在外部測試集的AUC可提升0.08-0.12。當前面臨的主要挑戰(zhàn)3.臨床落地障礙：-工作流程整合：影像組學分析需額外的數(shù)據(jù)處理時間（從影像獲取到靶區(qū)輸出約需2-4小時），與臨床放療“高效”需求存在沖突。目前我們通過開發(fā)“一鍵式影像組學分析插件”嵌入PACS系統(tǒng)，將時間縮短至30分鐘；-醫(yī)師認知與接受度：部分醫(yī)師對“機器生成靶區(qū)”存在抵觸，認為其缺乏臨床經(jīng)驗支撐。我們通過“可視化解釋”（如SHAP值熱力圖展示模型關(guān)注區(qū)域）和“聯(lián)合決策”（模型生成靶區(qū)+醫(yī)師最終修正）逐步提升信任度；-成本效益問題：影像組學軟件及多模態(tài)影像掃描（如PET-MRI）成本較高，需通過衛(wèi)生經(jīng)濟學評價證明其“降本增效”價值。我院數(shù)據(jù)顯示，雖影像組學分析增加單例成本約500元，但因靶區(qū)優(yōu)化減少的并發(fā)癥治療費用（如放射性肺炎治療約2萬元/例），總體使治療成本降低18%。未來發(fā)展方向1.多模態(tài)影像融合與多組學聯(lián)合：單一影像模態(tài)的信息維度有限，未來將實現(xiàn)CT、MRI、PET、光學成像等多模態(tài)影像的深度融合，并結(jié)合基因組學（如EGFR突變、PD-L1表達）、病理組學（如HE染色紋理）、代謝組學數(shù)據(jù)，構(gòu)建“影像-基因-病理”多組學聯(lián)合模型，更精準地預測腫瘤生物學行為。2.可解釋AI與實時自適應放療：基于可解釋AI技術(shù)，不僅讓模型“可解釋”，更要讓模型“可交互”——醫(yī)師可通過調(diào)整特征權(quán)重模擬不同靶區(qū)范圍對預后的影響