Конусно-лучевая компьютерная томография (КЛКТ)-адаптивная лучевая терапия (ART) представляет собой перспективную стратегию для учёта межфракционных анатомических и физиологических изменений во время лечения. Интеграция визуализации непосредственно в процесс лечения позволяет адаптировать план облучения к актуальной анатомии пациента, потенциально улучшая покрытие мишени и снижая дозовую нагрузку на органы риска (OAR). Тем не менее, рутинное применение остаётся ограниченным из-за невысокого качества КЛКТ-изображений, неопределённостей в дозиметрических расчётах, трудоёмких рабочих процессов и отсутствия надёжных критериев для определения клинической необходимости адаптации.
КЛКТ широко доступна на современных линейных ускорителях и остаётся наиболее практичной основой для ART во многих центрах. Однако низкий контраст мягких тканей, шум, артефакты, усечение поля обзора и нестабильные значения единиц Хаунсфилда ограничивают её возможности в очерчивании мишеней и реконструкции дозы. Последние достижения в улучшении качества изображений, деформируемой регистрации изображений и генерации синтетических КТ частично устранили эти ограничения.
Искусственный интеллект (AI) кардинально меняет подходы к автоматической сегментации. AI-модели автосегментации, включая свёрточные нейронные сети (CNN), трансформеры, генеративно-состязательные сети (GAN) и диффузионные модели, демонстрируют всё более высокую геометрическую точность и эффективность рабочего процесса. Эти технологии позволяют преодолеть один из главных барьеров на пути к рутинной адаптивной лучевой терапии — трудоёмкость ручного очерчивания структур на каждой фракции.
Автоматизированные системы принятия решений могут рекомендовать клиницистам, требуется ли адаптация плана лечения и как она должна быть реализована в зависимости от обстоятельств конкретного пациента — это необходимое условие для более эффективной ART. Текущие исследования сосредоточены на двух основных подходах:
- Адаптация по заранее определённым дозиметрическим порогам — запуск адаптации при превышении установленных критериев отклонения дозы
- AI-модели, обучающиеся на предшествующих знаниях — предсказание потенциальных дозиметрических изменений для текущего пациента на основе предыдущего опыта
Оба подхода имеют свои сильные стороны и ограничения, но требуют дальнейшей доработки, включая систематическое исследование пороговых значений для принятия решений. Реализация полностью автоматизированной адаптивной лучевой терапии потребует интеграции дополнительных систем, включая автоматическое планирование лечения и автоматизированный контроль качества (QA).
КЛКТ-адаптивная лучевая терапия с поддержкой AI технически осуществима и может улучшить дозиметрическое качество и эффективность лечения. Будущий прогресс требует:
- Усовершенствованных алгоритмов, специфичных для КЛКТ
- Интегрированного автоматического планирования и контроля качества
- Многоцентровой валидации
- Стандартизированных систем безопасности
- Более убедительных доказательств клинической пользы
Несмотря на технологический прогресс, переход от исследовательских платформ к рутинной клинической практике требует решения комплекса организационных, технических и регуляторных вопросов. Ключевым остаётся вопрос: для каких категорий пациентов и локализаций опухолей адаптивная лучевая терапия даёт клинически значимое преимущество, оправдывающее дополнительные ресурсы и сложность рабочего процесса.