AI在放射治療領(lǐng)域的研究現(xiàn)狀與新興趨勢
2025-10-10 17:07
閱讀：341
來源：愛愛醫(yī)
作者：張建鑫
責(zé)任編輯：點滴管
[導(dǎo)讀] 放射治療（radiotherapy, RT）在腫瘤綜合治療中占據(jù)關(guān)鍵地位，其技術(shù)已從二維放療逐步演進至三維適形、調(diào)強放療乃至影像引導(dǎo)放療。然而，傳統(tǒng)放療流程存在諸多效率瓶頸，如靶區(qū)勾畫耗時占整個流程的30%-50%，計劃設(shè)計需要反復(fù)試錯，質(zhì)量保證環(huán)節(jié)耗費大量人力物力。
1、背景與目的
放射治療（radiotherapy, RT）在腫瘤綜合治療中占據(jù)關(guān)鍵地位，其技術(shù)已從二維放療逐步演進至三維適形、調(diào)強放療乃至影像引導(dǎo)放療。然而，傳統(tǒng)放療流程存在諸多效率瓶頸，如靶區(qū)勾畫耗時占整個流程的30%-50%，計劃設(shè)計需要反復(fù)試錯，質(zhì)量保證環(huán)節(jié)耗費大量人力物力[1]。這些挑戰(zhàn)促使研究者探索更智能化的解決方案。
人工智能（artificial intelligence, AI），特別是深度學(xué)習(xí)（Deep Learning, DL）技術(shù)的突破，為放療流程優(yōu)化提供了全新思路。2015年U-Net架構(gòu)的提出解決了醫(yī)學(xué)圖像分割中的小樣本學(xué)習(xí)問題，為AI在放療中的應(yīng)用掃清了技術(shù)障礙[2]。近年來，AI在放射治療領(lǐng)域的應(yīng)用研究呈現(xiàn)爆發(fā)式增長，但缺乏系統(tǒng)性梳理。本研究采用文獻計量學(xué)方法，旨在：（1）分析AI在放療領(lǐng)域的全球研究趨勢；（2）識別核心研究機構(gòu)、作者及高影響力文獻；（3）探討當(dāng)前研究熱點及未來發(fā)展方向，為臨床醫(yī)生、研究者及政策制定者提供參考。
2、 材料與方法
數(shù)據(jù)來源于Web of Science Core Collection（WoSCC）數(shù)據(jù)庫。檢索策略為：(Topic = artificial intelligence) and (Topic = radiation) and (Language = English)，時間跨度為2004年1月1日至2024年12月31日。納入標(biāo)準(zhǔn)為文獻類型屬論著或綜述、語種為英文；排除信件、會議摘要等非完整出版物。最終共納入554篇文獻。
使用文獻計量學(xué)軟件VOSviewer（1.6.20）對國家、機構(gòu)、期刊、關(guān)鍵詞及作者進行共現(xiàn)網(wǎng)絡(luò)分析。應(yīng)用CiteSpace（6.2.R2）進行參考文獻突發(fā)性檢測（Burst Detection），時間分區(qū)長度為1年，閾值選擇“K=25”。
3 、結(jié)果
3.1 年度發(fā)文量趨勢
過去20年間，該領(lǐng)域發(fā)文量呈顯著的三階段增長態(tài)勢（圖1）。第一階段（2004-2017年）為緩慢萌芽期，年發(fā)文量極少（≤2篇）。第二階段（2018-2020年）為穩(wěn)步上升期，年均發(fā)文約32篇，2020年出現(xiàn)爆發(fā)點（73篇，同比增長4.3倍）。第三階段（2021-2024年）為快速增長期，年均發(fā)文達144篇，至2024年已增至252篇，表明AI在放療領(lǐng)域的研究吸引力和重要性日益增加。
圖1.2004-2024放療和人工智能相關(guān)文獻的發(fā)文量分布
3.2 國家與機構(gòu)分布
共64個國家、1144個機構(gòu)參與該領(lǐng)域研究。發(fā)文量前五的國家分別為美國（167篇, 30.6%）、中國（96篇, 17.3%）、意大利（65篇）、荷蘭（65篇）和英國（42篇）。中美兩國貢獻了全部文獻的47.9%，處于絕對領(lǐng)先地位。國家合作網(wǎng)絡(luò)圖顯示，中美歐之間形成了緊密的國際合作網(wǎng)絡(luò)（圖2）。
圖2. 國家合作網(wǎng)絡(luò)圖譜
發(fā)文機構(gòu)中，荷蘭的馬斯特里赫特大學(xué)（27篇, 5.0%）、美國的杜克大學(xué)（14篇, 2.6%）和哈佛大學(xué)（13篇）位列前三，顯示歐美研究機構(gòu)在該領(lǐng)域的歷史積累深厚。
3.3 期刊與共被引期刊分析
相關(guān)論文發(fā)表在213種期刊上（圖3）。Frontiers in Oncology（45篇, 8.2%）、Radiotherapy and Oncology（32篇, 5.9%）和Medical Physics（26篇）是發(fā)文量最多的期刊。而從學(xué)術(shù)影響力看，Medical Physics（被引2275次）和International Journal of Radiation Oncology ? Biology ? Physics（被引1921次）是共被引頻次最高、連接強度最強的核心期刊，表明它們是該領(lǐng)域知識基礎(chǔ)的重要來源。
圖3.期刊網(wǎng)絡(luò)圖
3.4 作者與共被引作者
共有3556名作者參與研究。Dekker Andre（10篇）、Valentini Vincenzo（9篇）和Boldrini Luca（9篇）是發(fā)文最多的學(xué)者。在共被引作者中，Philippe Lambin（85次）和Dan Nguyen（83次）是被引次數(shù)最高的學(xué)者，其工作被視為該領(lǐng)域的知識基礎(chǔ)。
3.5 高影響力文獻分析
近20年來，有關(guān)人工智能在放射治療中的應(yīng)用被引用的文獻共計25181篇。通過選擇被引用至少為12次以上的158篇文獻創(chuàng)建共被引文獻網(wǎng)絡(luò)圖，見圖4。該圖譜全面展示相關(guān)主題眾多文獻之間的聯(lián)系，促進對重要主題和趨勢的進一步研究。
圖4.共被引文獻網(wǎng)絡(luò)圖
突發(fā)性檢測發(fā)現(xiàn)7篇具有高影響力的突發(fā)文獻（Burst Articles）（圖5）。Ibragimov B關(guān)于基于深度學(xué)習(xí)實現(xiàn)病理CT中椎骨快速檢測的論文突發(fā)強度最高（6.28），Valdes G關(guān)于頭頸癌知識型計劃評估的論文次之（4.7）[3,4]。這些突發(fā)文獻標(biāo)志著研究熱點的形成與轉(zhuǎn)變。
圖5.引文爆發(fā)量前7的文獻
3.6 關(guān)鍵詞分析
關(guān)鍵詞共現(xiàn)分析揭示了核心研究方向。出現(xiàn)頻次最高的關(guān)鍵詞為：人工智能（292次）、深度學(xué)習(xí)（124次）、放射治療（110次）、機器學(xué)習(xí)（106次）、影像組學(xué)（Radiomics, 50次）。聚類分析后形成四大研究方向（圖6）：紅色聚類：核心技術(shù)與概念，如放射治療、人工智能、優(yōu)化等。藍色聚類：算法與應(yīng)用，如深度學(xué)習(xí)、機器學(xué)習(xí)、自動靶區(qū)勾畫（Automatic delineation）。綠色聚類：特定腫瘤應(yīng)用，如頭頸癌（Head and neck cancer）、正常組織并發(fā)癥概率（NTCP）。黃色聚類：質(zhì)量保證（Quality assurance）與治療計劃（Treatment planning）。
圖6.關(guān)鍵詞聚類圖
4 、討論
4.1 研究趨勢與驅(qū)動因素
本研究通過文獻計量學(xué)全面描繪了AI在放療領(lǐng)域的研究圖景。分析表明，該領(lǐng)域自2018年起進入快速發(fā)展通道，這與深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像處理上的成熟及其臨床轉(zhuǎn)化探索的加速密切相關(guān)[1,5]。
4.2 當(dāng)前研究熱點與臨床應(yīng)用
當(dāng)前的研究熱點高度集中于自動靶區(qū)勾畫、治療計劃優(yōu)化和質(zhì)量保證三大環(huán)節(jié)，旨在解決傳統(tǒng)放療中的核心效率瓶頸[1,4]。其中，頭頸部腫瘤因解剖結(jié)構(gòu)復(fù)雜、勾畫難度大，成為AI應(yīng)用最為成熟的領(lǐng)域。例如，騰訊醫(yī)療AI實驗室開發(fā)的AnatomyNet模型，基于改進的3D U-Net架構(gòu)，可在1秒內(nèi)完成頭頸部CT影像上所有危及器官（OARs）的自動勾畫，精度顯著優(yōu)于傳統(tǒng)方法，耗時從20分鐘以上縮短至秒級[7]。在計劃設(shè)計方面，知識庫計劃（KBP）和深度學(xué)習(xí)模型能夠快速生成高質(zhì)量計劃，減少物理師的手工試錯。在質(zhì)控環(huán)節(jié)，AI可用于劑量驗證、誤差自動檢測等，提高治療安全性和效率[3]。
4.3 新興前沿技術(shù)與發(fā)展方向
新興趨勢包括將AI應(yīng)用于磁共振引導(dǎo)放療（如合成CT）、FLASH放療等前沿技術(shù)。例如，武漢大學(xué)團隊利用生成對抗網(wǎng)絡(luò)（DiscoGAN）構(gòu)建了質(zhì)子劑量計算框架，在腦、肺、腹部區(qū)域?qū)崿F(xiàn)了1秒內(nèi)的高速劑量驗證，誤差<5%，為超高劑量率的FLASH放療提供了關(guān)鍵的質(zhì)控支持[6]。此外，影像組學(xué)與AI結(jié)合，用于預(yù)測放療療效和毒性（如NTCP模型），代表著向個性化、精準(zhǔn)化放療發(fā)展的重要方向[1]。
4.4 面臨的挑戰(zhàn)與局限性
然而，該領(lǐng)域仍面臨挑戰(zhàn)。首先，大多數(shù)研究基于單中心、小樣本數(shù)據(jù)，模型的泛化能力和魯棒性有待多中心驗證。其次，AI算法的“黑箱”特性使其臨床決策缺乏可解釋性，影響臨床醫(yī)生的信任和采納。最后，如何將AI工具無縫集成到臨床工作流中，并開展前瞻性臨床試驗以證明其能改善患者預(yù)后，是推動臨床轉(zhuǎn)化的關(guān)鍵[4,5]。
4.5 本研究的局限性
本研究的局限性在于數(shù)據(jù)僅來源于WoSCC數(shù)據(jù)庫，可能遺漏其他數(shù)據(jù)庫（如Scopus、PubMed或中文數(shù)據(jù)庫）中的重要文獻。此外，僅納入英文文獻可能對非英語國家的研究成果評估不足。
5 、結(jié)論
本研究通過文獻計量學(xué)分析揭示，人工智能在放射治療領(lǐng)域的研究正處于蓬勃發(fā)展的快車道。美國和中國是推動該領(lǐng)域發(fā)展的主要力量。當(dāng)前研究熱點緊密圍繞臨床痛點，聚焦于通過深度學(xué)習(xí)和機器學(xué)習(xí)技術(shù)實現(xiàn)自動靶區(qū)勾畫、智能計劃設(shè)計和質(zhì)控流程優(yōu)化，以期全面提高放療的精準(zhǔn)度和效率。未來研究應(yīng)致力于構(gòu)建高質(zhì)量的多中心數(shù)據(jù)集，開發(fā)可解釋、可信賴的AI模型，并積極開展前瞻性臨床研究，最終推動AI從技術(shù)走向臨床，充分釋放其在精準(zhǔn)放療中的巨大潛力。
參考文獻
[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.
放射治療（radiotherapy, RT）在腫瘤綜合治療中占據(jù)關(guān)鍵地位，其技術(shù)已從二維放療逐步演進至三維適形、調(diào)強放療乃至影像引導(dǎo)放療。然而，傳統(tǒng)放療流程存在諸多效率瓶頸，如靶區(qū)勾畫耗時占整個流程的30%-50%，計劃設(shè)計需要反復(fù)試錯，質(zhì)量保證環(huán)節(jié)耗費大量人力物力[1]。這些挑戰(zhàn)促使研究者探索更智能化的解決方案。
人工智能（artificial intelligence, AI），特別是深度學(xué)習(xí)（Deep Learning, DL）技術(shù)的突破，為放療流程優(yōu)化提供了全新思路。2015年U-Net架構(gòu)的提出解決了醫(yī)學(xué)圖像分割中的小樣本學(xué)習(xí)問題，為AI在放療中的應(yīng)用掃清了技術(shù)障礙[2]。近年來，AI在放射治療領(lǐng)域的應(yīng)用研究呈現(xiàn)爆發(fā)式增長，但缺乏系統(tǒng)性梳理。本研究采用文獻計量學(xué)方法，旨在：（1）分析AI在放療領(lǐng)域的全球研究趨勢；（2）識別核心研究機構(gòu)、作者及高影響力文獻；（3）探討當(dāng)前研究熱點及未來發(fā)展方向，為臨床醫(yī)生、研究者及政策制定者提供參考。
2、 材料與方法
數(shù)據(jù)來源于Web of Science Core Collection（WoSCC）數(shù)據(jù)庫。檢索策略為：(Topic = artificial intelligence) and (Topic = radiation) and (Language = English)，時間跨度為2004年1月1日至2024年12月31日。納入標(biāo)準(zhǔn)為文獻類型屬論著或綜述、語種為英文；排除信件、會議摘要等非完整出版物。最終共納入554篇文獻。
使用文獻計量學(xué)軟件VOSviewer（1.6.20）對國家、機構(gòu)、期刊、關(guān)鍵詞及作者進行共現(xiàn)網(wǎng)絡(luò)分析。應(yīng)用CiteSpace（6.2.R2）進行參考文獻突發(fā)性檢測（Burst Detection），時間分區(qū)長度為1年，閾值選擇“K=25”。
3 、結(jié)果
3.1 年度發(fā)文量趨勢
過去20年間，該領(lǐng)域發(fā)文量呈顯著的三階段增長態(tài)勢（圖1）。第一階段（2004-2017年）為緩慢萌芽期，年發(fā)文量極少（≤2篇）。第二階段（2018-2020年）為穩(wěn)步上升期，年均發(fā)文約32篇，2020年出現(xiàn)爆發(fā)點（73篇，同比增長4.3倍）。第三階段（2021-2024年）為快速增長期，年均發(fā)文達144篇，至2024年已增至252篇，表明AI在放療領(lǐng)域的研究吸引力和重要性日益增加。
圖1.2004-2024放療和人工智能相關(guān)文獻的發(fā)文量分布
3.2 國家與機構(gòu)分布
共64個國家、1144個機構(gòu)參與該領(lǐng)域研究。發(fā)文量前五的國家分別為美國（167篇, 30.6%）、中國（96篇, 17.3%）、意大利（65篇）、荷蘭（65篇）和英國（42篇）。中美兩國貢獻了全部文獻的47.9%，處于絕對領(lǐng)先地位。國家合作網(wǎng)絡(luò)圖顯示，中美歐之間形成了緊密的國際合作網(wǎng)絡(luò)（圖2）。
圖2. 國家合作網(wǎng)絡(luò)圖譜
發(fā)文機構(gòu)中，荷蘭的馬斯特里赫特大學(xué)（27篇, 5.0%）、美國的杜克大學(xué)（14篇, 2.6%）和哈佛大學(xué)（13篇）位列前三，顯示歐美研究機構(gòu)在該領(lǐng)域的歷史積累深厚。
3.3 期刊與共被引期刊分析
相關(guān)論文發(fā)表在213種期刊上（圖3）。Frontiers in Oncology（45篇, 8.2%）、Radiotherapy and Oncology（32篇, 5.9%）和Medical Physics（26篇）是發(fā)文量最多的期刊。而從學(xué)術(shù)影響力看，Medical Physics（被引2275次）和International Journal of Radiation Oncology ? Biology ? Physics（被引1921次）是共被引頻次最高、連接強度最強的核心期刊，表明它們是該領(lǐng)域知識基礎(chǔ)的重要來源。
圖3.期刊網(wǎng)絡(luò)圖
3.4 作者與共被引作者
共有3556名作者參與研究。Dekker Andre（10篇）、Valentini Vincenzo（9篇）和Boldrini Luca（9篇）是發(fā)文最多的學(xué)者。在共被引作者中，Philippe Lambin（85次）和Dan Nguyen（83次）是被引次數(shù)最高的學(xué)者，其工作被視為該領(lǐng)域的知識基礎(chǔ)。
3.5 高影響力文獻分析
近20年來，有關(guān)人工智能在放射治療中的應(yīng)用被引用的文獻共計25181篇。通過選擇被引用至少為12次以上的158篇文獻創(chuàng)建共被引文獻網(wǎng)絡(luò)圖，見圖4。該圖譜全面展示相關(guān)主題眾多文獻之間的聯(lián)系，促進對重要主題和趨勢的進一步研究。
圖4.共被引文獻網(wǎng)絡(luò)圖
突發(fā)性檢測發(fā)現(xiàn)7篇具有高影響力的突發(fā)文獻（Burst Articles）（圖5）。Ibragimov B關(guān)于基于深度學(xué)習(xí)實現(xiàn)病理CT中椎骨快速檢測的論文突發(fā)強度最高（6.28），Valdes G關(guān)于頭頸癌知識型計劃評估的論文次之（4.7）[3,4]。這些突發(fā)文獻標(biāo)志著研究熱點的形成與轉(zhuǎn)變。
圖5.引文爆發(fā)量前7的文獻
3.6 關(guān)鍵詞分析
關(guān)鍵詞共現(xiàn)分析揭示了核心研究方向。出現(xiàn)頻次最高的關(guān)鍵詞為：人工智能（292次）、深度學(xué)習(xí)（124次）、放射治療（110次）、機器學(xué)習(xí)（106次）、影像組學(xué)（Radiomics, 50次）。聚類分析后形成四大研究方向（圖6）：紅色聚類：核心技術(shù)與概念，如放射治療、人工智能、優(yōu)化等。藍色聚類：算法與應(yīng)用，如深度學(xué)習(xí)、機器學(xué)習(xí)、自動靶區(qū)勾畫（Automatic delineation）。綠色聚類：特定腫瘤應(yīng)用，如頭頸癌（Head and neck cancer）、正常組織并發(fā)癥概率（NTCP）。黃色聚類：質(zhì)量保證（Quality assurance）與治療計劃（Treatment planning）。
圖6.關(guān)鍵詞聚類圖
4 、討論
4.1 研究趨勢與驅(qū)動因素
本研究通過文獻計量學(xué)全面描繪了AI在放療領(lǐng)域的研究圖景。分析表明，該領(lǐng)域自2018年起進入快速發(fā)展通道，這與深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像處理上的成熟及其臨床轉(zhuǎn)化探索的加速密切相關(guān)[1,5]。
4.2 當(dāng)前研究熱點與臨床應(yīng)用
當(dāng)前的研究熱點高度集中于自動靶區(qū)勾畫、治療計劃優(yōu)化和質(zhì)量保證三大環(huán)節(jié)，旨在解決傳統(tǒng)放療中的核心效率瓶頸[1,4]。其中，頭頸部腫瘤因解剖結(jié)構(gòu)復(fù)雜、勾畫難度大，成為AI應(yīng)用最為成熟的領(lǐng)域。例如，騰訊醫(yī)療AI實驗室開發(fā)的AnatomyNet模型，基于改進的3D U-Net架構(gòu)，可在1秒內(nèi)完成頭頸部CT影像上所有危及器官（OARs）的自動勾畫，精度顯著優(yōu)于傳統(tǒng)方法，耗時從20分鐘以上縮短至秒級[7]。在計劃設(shè)計方面，知識庫計劃（KBP）和深度學(xué)習(xí)模型能夠快速生成高質(zhì)量計劃，減少物理師的手工試錯。在質(zhì)控環(huán)節(jié)，AI可用于劑量驗證、誤差自動檢測等，提高治療安全性和效率[3]。
4.3 新興前沿技術(shù)與發(fā)展方向
新興趨勢包括將AI應(yīng)用于磁共振引導(dǎo)放療（如合成CT）、FLASH放療等前沿技術(shù)。例如，武漢大學(xué)團隊利用生成對抗網(wǎng)絡(luò)（DiscoGAN）構(gòu)建了質(zhì)子劑量計算框架，在腦、肺、腹部區(qū)域?qū)崿F(xiàn)了1秒內(nèi)的高速劑量驗證，誤差<5%，為超高劑量率的FLASH放療提供了關(guān)鍵的質(zhì)控支持[6]。此外，影像組學(xué)與AI結(jié)合，用于預(yù)測放療療效和毒性（如NTCP模型），代表著向個性化、精準(zhǔn)化放療發(fā)展的重要方向[1]。
4.4 面臨的挑戰(zhàn)與局限性
然而，該領(lǐng)域仍面臨挑戰(zhàn)。首先，大多數(shù)研究基于單中心、小樣本數(shù)據(jù)，模型的泛化能力和魯棒性有待多中心驗證。其次，AI算法的“黑箱”特性使其臨床決策缺乏可解釋性，影響臨床醫(yī)生的信任和采納。最后，如何將AI工具無縫集成到臨床工作流中，并開展前瞻性臨床試驗以證明其能改善患者預(yù)后，是推動臨床轉(zhuǎn)化的關(guān)鍵[4,5]。
4.5 本研究的局限性
本研究的局限性在于數(shù)據(jù)僅來源于WoSCC數(shù)據(jù)庫，可能遺漏其他數(shù)據(jù)庫（如Scopus、PubMed或中文數(shù)據(jù)庫）中的重要文獻。此外，僅納入英文文獻可能對非英語國家的研究成果評估不足。
5 、結(jié)論
本研究通過文獻計量學(xué)分析揭示，人工智能在放射治療領(lǐng)域的研究正處于蓬勃發(fā)展的快車道。美國和中國是推動該領(lǐng)域發(fā)展的主要力量。當(dāng)前研究熱點緊密圍繞臨床痛點，聚焦于通過深度學(xué)習(xí)和機器學(xué)習(xí)技術(shù)實現(xiàn)自動靶區(qū)勾畫、智能計劃設(shè)計和質(zhì)控流程優(yōu)化，以期全面提高放療的精準(zhǔn)度和效率。未來研究應(yīng)致力于構(gòu)建高質(zhì)量的多中心數(shù)據(jù)集，開發(fā)可解釋、可信賴的AI模型，并積極開展前瞻性臨床研究，最終推動AI從技術(shù)走向臨床，充分釋放其在精準(zhǔn)放療中的巨大潛力。
參考文獻
[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.
版權(quán)聲明：
本站所注明來源為"愛愛醫(yī)"的文章，版權(quán)歸作者與本站共同所有，非經(jīng)授權(quán)不得轉(zhuǎn)載。
本站所有轉(zhuǎn)載文章系出于傳遞更多信息之目的，且明確注明來源和作者，不希望被轉(zhuǎn)載的媒體或個人可與我們
聯(lián)系zlzs@120.net，我們將立即進行刪除處理
本站所注明來源為"愛愛醫(yī)"的文章，版權(quán)歸作者與本站共同所有，非經(jīng)授權(quán)不得轉(zhuǎn)載。
本站所有轉(zhuǎn)載文章系出于傳遞更多信息之目的，且明確注明來源和作者，不希望被轉(zhuǎn)載的媒體或個人可與我們
聯(lián)系zlzs@120.net，我們將立即進行刪除處理
