Синтетическая компьютерная томография (sCT), генерируемая из конусно-лучевой КТ (CBCT), используется для количественной визуализации, пересчёта дозы и адаптивной лучевой терапии. Глубокое обучение улучшило качество изображений и точность единиц Хаунсфилда, однако надёжность этих методов для индивидуальной дозиметрии и рутинного клинического применения остаётся неопределённой.

Нарративный обзор, опубликованный в Frontiers in Oncology (поиск литературы обновлён по состоянию на 30 июля 2026 года), рассматривает методы глубокого обучения для генерации sCT из CBCT, полученной во время лечения, в фотонной и протонной лучевой терапии, с акцентом на требования к данным, обобщаемость, структурную точность, дозиметрическую достоверность и клиническую применимость.

Современные подходы включают контролируемую регрессию, генеративно-состязательные сети, методы с использованием регистрации изображений и диффузионные модели. Имеющиеся данные демонстрируют обнадёживающие результаты по качеству изображений и дозиметрической точности, однако ни один метод не показывает стабильно лучших результатов во всех анатомических областях, системах визуализации и модальностях лечения.

Большинство исследований основаны на доказательстве концепции или одноцентровой валидации и демонстрируют значительную гетерогенность в наборах данных, протоколах получения изображений, референсных изображениях, методах регистрации и критериях оценки. Внешняя валидация, проспективная оценка, детекция ошибок и контроль качества остаются ограниченными.

Будущие исследования должны делать акцент на многоцентровой валидации, стандартизированных и модально-специфичных критериях оценки, оценке неопределённости и проспективном тестировании рабочих процессов. Для поддержки надёжного использования sCT в индивидуальной адаптивной лучевой терапии необходимы более строгие и клинически релевантные доказательства.