Проспективное многоцентровое исследование автоматической сегментации на основе глубокого обучения для органов риска в торакальной радиотерапии

Почему это важно для пациентов с опухолями грудной клетки

Для пациентов с раком лёгкого, молочной железы или пищевода радиотерапия часто составляет важную часть лечения. Но прежде чем включается любой пучок, врачи должны тщательно очертить уязвимые органы грудной клетки, чтобы направить излучение на опухоль и при этом пощадить здоровые ткани. В этом исследовании проверяли, может ли форма искусственного интеллекта, используемая совместно с клиницистами, сделать это контурирование быстрее, точнее и более согласованным между госпиталями.

Как грудные сканы направляют лечение радиацией

Планирование облучения строится на детальных КТ-снимках грудной клетки. На этих снимках врачи рисуют границы органов, которые могут пострадать от излучения — например, лёгких, сердца, спинного мозга и пищевода. Их называют органами риска. Поэтапное контурирование по срезам — это медленная процедура, которая во многом зависит от опыта каждого врача и местного обучения, что может приводить к различиям в том, как именно очерчивают органы и сколько излучения они, по расчёту, получают.

Что исследователи поставили целью проверить

Команда оценивала систему глубокого обучения под названием iCurveE, которая автоматически очерчивает одиннадцать ключевых органов грудной клетки. Вместо того чтобы проверять работу компьютера только на ретроспективных данных, они организовали проспективное исследование в пяти больницах Китая. У 500 пациентов с раком лёгкого, молочной железы или пищевода плановые КТ были очерчены тремя способами: полностью вручную, только ИИ и врачами, которые стартовали с контуров ИИ и затем их редактировали. Всего в исследовании приняли участие 37 радиационных онкологов с разным уровнем опыта — получено почти 2500 полных наборов контуров органов.

Насколько успешно работала связка человек плюс ИИ

Для сравнения методов исследователи использовали показатели того, насколько близко каждый набор контуров совпадает с тщательно согласованным эталонным вариантом экспертов. Также фиксировали время, затраченное на каждый подход. В среднем контуры ИИ, отредактированные врачами, соответствовали эталону лучше, чем контуры, выполненные полностью вручную, и немного лучше, чем ИИ в одиночку. Ключевая метрическая дистанция несовпадения границ была ниже при помощи ИИ по сравнению с ручным контурированием, а стандартная метрика перекрытия была выше. При этом использование ИИ в качестве отправной точки сократило медианное время контурирования с 55 до 10 минут — более чем на 80 процентов — и эта экономия времени сохранялась во всех больницах и для всех типов опухолей.

Последовательность между больницами и уровнями опыта

Одна из проблем в онкологической помощи — пациенты в небольших или менее обеспеченных больницах могут получать планирование худшего качества, чем в крупных центрах. В этом исследовании ручное контурирование сильно варьировало между больницами и между врачами с разным опытом. Когда врачи работали от контуров, сгенерированных ИИ, эти различия уменьшились. Разрыв в точности и времени между центрами сузился, а менее опытные врачи стали ближе к своим старшим коллегам по результатам. Сочетание ИИ и человеческой проверки также привело к меньшим различиям в рассчитанных дозах облучения для органов, что указывает на то, что улучшенное контурирование может привести к более надёжным оценкам рисков лечения.

Что это означает для будущей онкологической помощи

Это исследование демонстрирует, что при тщательном обзоре и корректировке врачами контуров, сгенерированных ИИ, можно очерчивать органы грудной клетки быстрее и с большей точностью, чем вручную, одновременно уменьшая различия между больницами и между врачами. Для пациентов это может означать более безопасные и более единообразные планы радиотерапии независимо от места лечения. Исследование также подчёркивает, что ИИ — это инструмент, а не замена клиницистам: человеческий контроль остаётся необходимым для обнаружения необычной анатомии, проблем с изображением и ошибок модели. По мере того как аналогичные системы будут тестироваться и совершенствоваться для других областей тела и в исследованиях, ориентированных на исходы, взаимодействие человека и ИИ может стать рутинной частью планирования радиотерапии.

Цитирование: Niu, G., Guan, Y., Zhang, Y. et al. A prospective multicenter trial of deep learning auto-segmentation for organs at risk in thoracic radiotherapy. Nat Commun 17, 4633 (2026). https://doi.org/10.1038/s41467-026-70863-9

Ключевые слова: торакальная радиотерапия, автосегментация, глубокое обучение, органы риска, медицинский ИИ в визуализации