张建鑫主治医师
已发布75篇文章|已获839096阅读
AI在放射治疗领域的研究现状与新兴趋势
2025-10-10阅读:2342
来源：爱爱医 / 责任编辑：点滴管
1、背景与目的
放射治疗（radiotherapy, RT）在肿瘤综合治疗中占据关键地位，其技术已从二维放疗逐步演进至三维适形、调强放疗乃至影像引导放疗。然而，传统放疗流程存在诸多效率瓶颈，如靶区勾画耗时占整个流程的30%-50%，计划设计需要反复试错，质量保证环节耗费大量人力物力[1]。这些挑战促使研究者探索更智能化的解决方案。
人工智能（artificial intelligence, AI），特别是深度学习（Deep Learning, DL）技术的突破，为放疗流程优化提供了全新思路。2015年U-Net架构的提出解决了医学图像分割中的小样本学习问题，为AI在放疗中的应用扫清了技术障碍[2]。近年来，AI在放射治疗领域的应用研究呈现爆发式增长，但缺乏系统性梳理。本研究采用文献计量学方法，旨在：（1）分析AI在放疗领域的全球研究趋势；（2）识别核心研究机构、作者及高影响力文献；（3）探讨当前研究热点及未来发展方向，为临床医生、研究者及政策制定者提供参考。
2、 材料与方法
数据来源于Web of Science Core Collection（WoSCC）数据库。检索策略为：(Topic = artificial intelligence) and (Topic = radiation) and (Language = English)，时间跨度为2004年1月1日至2024年12月31日。纳入标准为文献类型属论著或综述、语种为英文；排除信件、会议摘要等非完整出版物。最终共纳入554篇文献。
使用文献计量学软件VOSviewer（1.6.20）对国家、机构、期刊、关键词及作者进行共现网络分析。应用CiteSpace（6.2.R2）进行参考文献突发性检测（Burst Detection），时间分区长度为1年，阈值选择“K=25”。
3 、结果
3.1 年度发文量趋势
过去20年间，该领域发文量呈显著的三阶段增长态势（图1）。第一阶段（2004-2017年）为缓慢萌芽期，年发文量极少（≤2篇）。第二阶段（2018-2020年）为稳步上升期，年均发文约32篇，2020年出现爆发点（73篇，同比增长4.3倍）。第三阶段（2021-2024年）为快速增长期，年均发文达144篇，至2024年已增至252篇，表明AI在放疗领域的研究吸引力和重要性日益增加。
图1.2004-2024放疗和人工智能相关文献的发文量分布
3.2 国家与机构分布
共64个国家、1144个机构参与该领域研究。发文量前五的国家分别为美国（167篇, 30.6%）、中国（96篇, 17.3%）、意大利（65篇）、荷兰（65篇）和英国（42篇）。中美两国贡献了全部文献的47.9%，处于绝对领先地位。国家合作网络图显示，中美欧之间形成了紧密的国际合作网络（图2）。
图2. 国家合作网络图谱
发文机构中，荷兰的马斯特里赫特大学（27篇, 5.0%）、美国的杜克大学（14篇, 2.6%）和哈佛大学（13篇）位列前三，显示欧美研究机构在该领域的历史积累深厚。
3.3 期刊与共被引期刊分析
相关论文发表在213种期刊上（图3）。Frontiers in Oncology（45篇, 8.2%）、Radiotherapy and Oncology（32篇, 5.9%）和Medical Physics（26篇）是发文量最多的期刊。而从学术影响力看，Medical Physics（被引2275次）和International Journal of Radiation Oncology ? Biology ? Physics（被引1921次）是共被引频次最高、连接强度最强的核心期刊，表明它们是该领域知识基础的重要来源。
图3.期刊网络图
3.4 作者与共被引作者
共有3556名作者参与研究。Dekker Andre（10篇）、Valentini Vincenzo（9篇）和Boldrini Luca（9篇）是发文最多的学者。在共被引作者中，Philippe Lambin（85次）和Dan Nguyen（83次）是被引次数最高的学者，其工作被视为该领域的知识基础。
3.5 高影响力文献分析
近20年来，有关人工智能在放射治疗中的应用被引用的文献共计25181篇。通过选择被引用至少为12次以上的158篇文献创建共被引文献网络图，见图4。该图谱全面展示相关主题众多文献之间的联系，促进对重要主题和趋势的进一步研究。
图4.共被引文献网络图
突发性检测发现7篇具有高影响力的突发文献（Burst Articles）（图5）。Ibragimov B关于基于深度学习实现病理CT中椎骨快速检测的论文突发强度最高（6.28），Valdes G关于头颈癌知识型计划评估的论文次之（4.7）[3,4]。这些突发文献标志着研究热点的形成与转变。
图5.引文爆发量前7的文献
3.6 关键词分析
关键词共现分析揭示了核心研究方向。出现频次最高的关键词为：人工智能（292次）、深度学习（124次）、放射治疗（110次）、机器学习（106次）、影像组学（Radiomics, 50次）。聚类分析后形成四大研究方向（图6）：红色聚类：核心技术与概念，如放射治疗、人工智能、优化等。蓝色聚类：算法与应用，如深度学习、机器学习、自动靶区勾画（Automatic delineation）。绿色聚类：特定肿瘤应用，如头颈癌（Head and neck cancer）、正常组织并发症概率（NTCP）。黄色聚类：质量保证（Quality assurance）与治疗计划（Treatment planning）。
图6.关键词聚类图
4 、讨论
4.1 研究趋势与驱动因素
本研究通过文献计量学全面描绘了AI在放疗领域的研究图景。分析表明，该领域自2018年起进入快速发展通道，这与深度学习技术在医学图像处理上的成熟及其临床转化探索的加速密切相关[1,5]。
4.2 当前研究热点与临床应用
当前的研究热点高度集中于自动靶区勾画、治疗计划优化和质量保证三大环节，旨在解决传统放疗中的核心效率瓶颈[1,4]。其中，头颈部肿瘤因解剖结构复杂、勾画难度大，成为AI应用最为成熟的领域。例如，腾讯医疗AI实验室开发的AnatomyNet模型，基于改进的3D U-Net架构，可在1秒内完成头颈部CT影像上所有危及器官（OARs）的自动勾画，精度显著优于传统方法，耗时从20分钟以上缩短至秒级[7]。在计划设计方面，知识库计划（KBP）和深度学习模型能够快速生成高质量计划，减少物理师的手工试错。在质控环节，AI可用于剂量验证、误差自动检测等，提高治疗安全性和效率[3]。
4.3 新兴前沿技术与发展方向
新兴趋势包括将AI应用于磁共振引导放疗（如合成CT）、FLASH放疗等前沿技术。例如，武汉大学团队利用生成对抗网络（DiscoGAN）构建了质子剂量计算框架，在脑、肺、腹部区域实现了1秒内的高速剂量验证，误差<5%，为超高剂量率的FLASH放疗提供了关键的质控支持[6]。此外，影像组学与AI结合，用于预测放疗疗效和毒性（如NTCP模型），代表着向个性化、精准化放疗发展的重要方向[1]。
4.4 面临的挑战与局限性
然而，该领域仍面临挑战。首先，大多数研究基于单中心、小样本数据，模型的泛化能力和鲁棒性有待多中心验证。其次，AI算法的“黑箱”特性使其临床决策缺乏可解释性，影响临床医生的信任和采纳。最后，如何将AI工具无缝集成到临床工作流中，并开展前瞻性临床试验以证明其能改善患者预后，是推动临床转化的关键[4,5]。
4.5 本研究的局限性
本研究的局限性在于数据仅来源于WoSCC数据库，可能遗漏其他数据库（如Scopus、PubMed或中文数据库）中的重要文献。此外，仅纳入英文文献可能对非英语国家的研究成果评估不足。
5 、结论
本研究通过文献计量学分析揭示，人工智能在放射治疗领域的研究正处于蓬勃发展的快车道。美国和中国是推动该领域发展的主要力量。当前研究热点紧密围绕临床痛点，聚焦于通过深度学习和机器学习技术实现自动靶区勾画、智能计划设计和质控流程优化，以期全面提高放疗的精准度和效率。未来研究应致力于构建高质量的多中心数据集，开发可解释、可信赖的AI模型，并积极开展前瞻性临床研究，最终推动AI从技术走向临床，充分释放其在精准放疗中的巨大潜力。
参考文献
[1] Lastrucci L, et al. Artificial intelligence in radiotherapy[J]. Semin Cancer Biol, 2022, 86: 160-171.
[2] Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer-assisted intervention. Springer, 2015: 234-241.
[3] Valdes G, et al. Evaluation of a knowledge-based planning solution for head and neck cancer[J]. Int J Radiat Oncol Biol Phys, 2015, 91(3): 612-620.
[4] Thompson RF, Valdes G, Fuller CD, et al. Artificial intelligence in radiation oncology: a specialty-wide disruptive transformation?[J]. Radiother Oncol, 2018, 129(3): 421-426.
[5] Xing L, Krupinski EA, Cai J. Artificial intelligence will soon change the landscape of medical physics research and practice[J]. Med Phys, 2018, 45(5): 1791-1793.
[6] Zhang X, Hu Z, Zhang G, et al. Dose calculation in proton therapy using a discovery cross-domain generative adversarial network (DiscoGAN)[J]. Med Phys, 2021, 48(5): 2646-2660.
[7] Zhu W, Huang Y, Chen X, et al. AnatomyNet: Deep learning for fast and fully automated whole-volume segmentation of head and neck anatomy[J]. Med Phys, 2019, 46(2): 576-589.
放射治疗（radiotherapy, RT）在肿瘤综合治疗中占据关键地位，其技术已从二维放疗逐步演进至三维适形、调强放疗乃至影像引导放疗。然而，传统放疗流程存在诸多效率瓶颈，如靶区勾画耗时占整个流程的30%-50%，计划设计需要反复试错，质量保证环节耗费大量人力物力[1]。这些挑战促使研究者探索更智能化的解决方案。
人工智能（artificial intelligence, AI），特别是深度学习（Deep Learning, DL）技术的突破，为放疗流程优化提供了全新思路。2015年U-Net架构的提出解决了医学图像分割中的小样本学习问题，为AI在放疗中的应用扫清了技术障碍[2]。近年来，AI在放射治疗领域的应用研究呈现爆发式增长，但缺乏系统性梳理。本研究采用文献计量学方法，旨在：（1）分析AI在放疗领域的全球研究趋势；（2）识别核心研究机构、作者及高影响力文献；（3）探讨当前研究热点及未来发展方向，为临床医生、研究者及政策制定者提供参考。
2、 材料与方法
数据来源于Web of Science Core Collection（WoSCC）数据库。检索策略为：(Topic = artificial intelligence) and (Topic = radiation) and (Language = English)，时间跨度为2004年1月1日至2024年12月31日。纳入标准为文献类型属论著或综述、语种为英文；排除信件、会议摘要等非完整出版物。最终共纳入554篇文献。
使用文献计量学软件VOSviewer（1.6.20）对国家、机构、期刊、关键词及作者进行共现网络分析。应用CiteSpace（6.2.R2）进行参考文献突发性检测（Burst Detection），时间分区长度为1年，阈值选择“K=25”。
3 、结果
3.1 年度发文量趋势
过去20年间，该领域发文量呈显著的三阶段增长态势（图1）。第一阶段（2004-2017年）为缓慢萌芽期，年发文量极少（≤2篇）。第二阶段（2018-2020年）为稳步上升期，年均发文约32篇，2020年出现爆发点（73篇，同比增长4.3倍）。第三阶段（2021-2024年）为快速增长期，年均发文达144篇，至2024年已增至252篇，表明AI在放疗领域的研究吸引力和重要性日益增加。
图1.2004-2024放疗和人工智能相关文献的发文量分布
3.2 国家与机构分布
共64个国家、1144个机构参与该领域研究。发文量前五的国家分别为美国（167篇, 30.6%）、中国（96篇, 17.3%）、意大利（65篇）、荷兰（65篇）和英国（42篇）。中美两国贡献了全部文献的47.9%，处于绝对领先地位。国家合作网络图显示，中美欧之间形成了紧密的国际合作网络（图2）。
图2. 国家合作网络图谱
发文机构中，荷兰的马斯特里赫特大学（27篇, 5.0%）、美国的杜克大学（14篇, 2.6%）和哈佛大学（13篇）位列前三，显示欧美研究机构在该领域的历史积累深厚。
3.3 期刊与共被引期刊分析
相关论文发表在213种期刊上（图3）。Frontiers in Oncology（45篇, 8.2%）、Radiotherapy and Oncology（32篇, 5.9%）和Medical Physics（26篇）是发文量最多的期刊。而从学术影响力看，Medical Physics（被引2275次）和International Journal of Radiation Oncology ? Biology ? Physics（被引1921次）是共被引频次最高、连接强度最强的核心期刊，表明它们是该领域知识基础的重要来源。
图3.期刊网络图
3.4 作者与共被引作者
共有3556名作者参与研究。Dekker Andre（10篇）、Valentini Vincenzo（9篇）和Boldrini Luca（9篇）是发文最多的学者。在共被引作者中，Philippe Lambin（85次）和Dan Nguyen（83次）是被引次数最高的学者，其工作被视为该领域的知识基础。
3.5 高影响力文献分析
近20年来，有关人工智能在放射治疗中的应用被引用的文献共计25181篇。通过选择被引用至少为12次以上的158篇文献创建共被引文献网络图，见图4。该图谱全面展示相关主题众多文献之间的联系，促进对重要主题和趋势的进一步研究。
图4.共被引文献网络图
突发性检测发现7篇具有高影响力的突发文献（Burst Articles）（图5）。Ibragimov B关于基于深度学习实现病理CT中椎骨快速检测的论文突发强度最高（6.28），Valdes G关于头颈癌知识型计划评估的论文次之（4.7）[3,4]。这些突发文献标志着研究热点的形成与转变。
图5.引文爆发量前7的文献
3.6 关键词分析
关键词共现分析揭示了核心研究方向。出现频次最高的关键词为：人工智能（292次）、深度学习（124次）、放射治疗（110次）、机器学习（106次）、影像组学（Radiomics, 50次）。聚类分析后形成四大研究方向（图6）：红色聚类：核心技术与概念，如放射治疗、人工智能、优化等。蓝色聚类：算法与应用，如深度学习、机器学习、自动靶区勾画（Automatic delineation）。绿色聚类：特定肿瘤应用，如头颈癌（Head and neck cancer）、正常组织并发症概率（NTCP）。黄色聚类：质量保证（Quality assurance）与治疗计划（Treatment planning）。
图6.关键词聚类图
4 、讨论
4.1 研究趋势与驱动因素
本研究通过文献计量学全面描绘了AI在放疗领域的研究图景。分析表明，该领域自2018年起进入快速发展通道，这与深度学习技术在医学图像处理上的成熟及其临床转化探索的加速密切相关[1,5]。
4.2 当前研究热点与临床应用
当前的研究热点高度集中于自动靶区勾画、治疗计划优化和质量保证三大环节，旨在解决传统放疗中的核心效率瓶颈[1,4]。其中，头颈部肿瘤因解剖结构复杂、勾画难度大，成为AI应用最为成熟的领域。例如，腾讯医疗AI实验室开发的AnatomyNet模型，基于改进的3D U-Net架构，可在1秒内完成头颈部CT影像上所有危及器官（OARs）的自动勾画，精度显著优于传统方法，耗时从20分钟以上缩短至秒级[7]。在计划设计方面，知识库计划（KBP）和深度学习模型能够快速生成高质量计划，减少物理师的手工试错。在质控环节，AI可用于剂量验证、误差自动检测等，提高治疗安全性和效率[3]。
4.3 新兴前沿技术与发展方向
新兴趋势包括将AI应用于磁共振引导放疗（如合成CT）、FLASH放疗等前沿技术。例如，武汉大学团队利用生成对抗网络（DiscoGAN）构建了质子剂量计算框架，在脑、肺、腹部区域实现了1秒内的高速剂量验证，误差<5%，为超高剂量率的FLASH放疗提供了关键的质控支持[6]。此外，影像组学与AI结合，用于预测放疗疗效和毒性（如NTCP模型），代表着向个性化、精准化放疗发展的重要方向[1]。
4.4 面临的挑战与局限性
然而，该领域仍面临挑战。首先，大多数研究基于单中心、小样本数据，模型的泛化能力和鲁棒性有待多中心验证。其次，AI算法的“黑箱”特性使其临床决策缺乏可解释性，影响临床医生的信任和采纳。最后，如何将AI工具无缝集成到临床工作流中，并开展前瞻性临床试验以证明其能改善患者预后，是推动临床转化的关键[4,5]。
4.5 本研究的局限性
本研究的局限性在于数据仅来源于WoSCC数据库，可能遗漏其他数据库（如Scopus、PubMed或中文数据库）中的重要文献。此外，仅纳入英文文献可能对非英语国家的研究成果评估不足。
5 、结论
本研究通过文献计量学分析揭示，人工智能在放射治疗领域的研究正处于蓬勃发展的快车道。美国和中国是推动该领域发展的主要力量。当前研究热点紧密围绕临床痛点，聚焦于通过深度学习和机器学习技术实现自动靶区勾画、智能计划设计和质控流程优化，以期全面提高放疗的精准度和效率。未来研究应致力于构建高质量的多中心数据集，开发可解释、可信赖的AI模型，并积极开展前瞻性临床研究，最终推动AI从技术走向临床，充分释放其在精准放疗中的巨大潜力。
参考文献
[1] Lastrucci L, et al. Artificial intelligence in radiotherapy[J]. Semin Cancer Biol, 2022, 86: 160-171.
[2] Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer-assisted intervention. Springer, 2015: 234-241.
[3] Valdes G, et al. Evaluation of a knowledge-based planning solution for head and neck cancer[J]. Int J Radiat Oncol Biol Phys, 2015, 91(3): 612-620.
[4] Thompson RF, Valdes G, Fuller CD, et al. Artificial intelligence in radiation oncology: a specialty-wide disruptive transformation?[J]. Radiother Oncol, 2018, 129(3): 421-426.
[5] Xing L, Krupinski EA, Cai J. Artificial intelligence will soon change the landscape of medical physics research and practice[J]. Med Phys, 2018, 45(5): 1791-1793.
[6] Zhang X, Hu Z, Zhang G, et al. Dose calculation in proton therapy using a discovery cross-domain generative adversarial network (DiscoGAN)[J]. Med Phys, 2021, 48(5): 2646-2660.
[7] Zhu W, Huang Y, Chen X, et al. AnatomyNet: Deep learning for fast and fully automated whole-volume segmentation of head and neck anatomy[J]. Med Phys, 2019, 46(2): 576-589.
版权声明:
本站所注明来源为"爱爱医"的文章，版权归作者与本站共同所有，非经授权不得转载。
本站所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，如果您认为我们的转载侵犯了您的权益，请及时通过电话（400-626-9910）或邮箱（zlzs@120.net）通知我们，我们将第一时间处理，感谢。