人工智能在肿瘤放射治疗专业教学中的应用

The application of artificial intelligence in the teaching of radiation oncology

摘要

肿瘤放射治疗学作为多学科融合的综合学科，其传统教学面临人才培养难度大、灵活性不足等挑战。人工智能（Artificial intelligence， AI）凭借自动化数据处理与决策支持能力，为放射治疗（简称放疗）教学革新提供新路径。其核心应用包括：个性化学习中动态定制内容、辅助教师精准教学；辅助诊治环节中辅助诊断、生成治疗策略，强化低年资医师诊疗能力；提升靶区勾画效率与规范性，同时强调人工审核以应对解剖变异误差；计划设计评估基于个体化数据推荐剂量方案，实现疗效-风险可视化教学；还可辅助疗效评估随访、突破时空限制支持远程教学、驱动科研数据挖掘与多模态融合研究。AI虽能重塑放疗教学模式，但在应用中需构建开发者-教师-学员责任框架，应对算法偏见、数字鸿沟及人文弱化问题。未来需坚守“以人为本”，以师生经验传承与人文关怀为核心，构建智能教育生态，助力高水平放疗人才培养。

Abstract

As an interdisciplinary field， radiation oncology faces challenges in traditional education， including difficulties in talent development and limited flexibility. Artificial intelligence （AI）， leveraging automated data processing and decision-support capabilities， offers new avenues for innovating radiation oncology education. Its core applications include： dynamically tailoring content for personalized learning and enabling precise teaching； aiding diagnosis and generating treatment strategies in clinical practice to strengthen junior physicians' clinical competence； improving the efficiency and standardization of target volume delineation while emphasizing manual review to mitigate errors from anatomical variations； recommending dose protocols based on individualized data during treatment planning and evaluation to facilitate visual education on efficacy-risk trade-offs； supporting efficacy assessment and follow-up， enabling remote education by transcending time and space barriers， and driving research through data mining and multimodal fusion studies. In practice， a developer-teacher-learner responsibility framework must be established to address algorithmic bias， digital divide， and diminished humanistic care. While AI has reshaped radiation oncology education models， the future demands upholding the "people-oriented" principle—centered on inheriting teacher-student experience and prioritizing humanistic care—to build an intelligent education ecosystem and foster high-level radiation oncology talent.

关键词

放射疗法 / 人工智能 / 肿瘤学 / 教学

Key words

Radiotherapy / Artificial intelligence / Oncology / Teaching

肿瘤放射治疗学是一门融合多学科的综合性学科。在各学科技术快速发展背景下，放射肿瘤科医师需持续更新知识并应用于临床。然而，国内多数院校未设放射肿瘤学本科专业，且专业学习时间受限，学员培养难度较大。传统教学模式虽有成效，但在互联网时代灵活性不足^［1-2］。研究表明，优化培训需要加强师生互动、提升教师参与度并完善评估体系^［3］。

肿瘤放射治疗（简称放疗）高度依赖计算机软件进行数字处理与计划设计。人工智能（Artificial intelligence， AI）作为自动化计算系统，通过处理数据、基于参数推理决策，可辅助临床疗效评估等；在放疗领域，AI能提升效率、改善疗效并革新医学教育^［4-6］。AI在医学教育中虽处探索阶段，但部分机构已纳入住院医师培训，医学生需要主动适应并理解其技术特性。本文拟探讨AI在肿瘤放疗教学中的应用前景。

1 个性化学习

AI在高等教育中的广泛应用，有效驱动基于学生个性特征的个性化教学，推动传统教学模式深度变革^［7］。依托智能算法与大数据，AI可精准识别学生学习目标、知识水平等特征，动态定制内容、规划进度并提供即时反馈。具体体现为三方面：一是强化训练与即时反馈，如在靶区勾画练习中，系统自动比对轮廓与标准、识别偏差，推送对应知识卡片与练习题，助力学生即时修正、持续巩固；二是高仿真虚拟诊疗演练，以深化探索能力，学生处理模拟病例时，AI全程记录操作与决策，提供结果预测及详细评估报告；三是动态学习路径与目标管理的智能化前景：未来平台将追踪学习轨迹，学生可通过实时“学习仪表盘”查看AI对当前技能水平的评估，并智能预判达标所需学习时长与练习量。

同时，教师能通过AI平台实时监控全班及个体学习情况，基于学生基础与能力差异，从AI病例库中精准筛选适配病例（如为基础薄弱学生分配基础病例、为进阶学生提供复杂病例），并更注重学习过程与思维深度，及时介入，指导学生避免过度依赖AI答案、忽略临床差异等潜在问题。研究显示，相较传统教学，AI驱动的个性化教学使学生在知识掌握深度、临床技能熟练度、复杂决策能力、学习参与度、满意度及整体学习效率等方面均有显著提升^［8］。

2 辅助诊治

初步学习阶段的低年资放疗医师在疾病诊断及治疗策略上欠缺系统专业知识，甚至难以及时准确诊断。AI技术的兴起显著改善了这一问题，其可有效提高疾病诊断准确性，为患者制定个性化治疗方案，显著提升肿瘤管理成效。

AI已覆盖肿瘤早期筛查、精准诊断、分子标记物识别、治疗计划制定及预后预测等关键环节。目前AI多用于辅助学员提取影像组学特征、实验室指标及分子检测数据，精准判断肿瘤性质与分期；同时依据指南生成含推荐理由、疗效、毒性及处理的优先级策略，引导学员设计整体治疗方案，且其治疗建议与临床指南高度契合^［9-14］。AI还可探索并生成多样化虚拟病例，整合影像资料、病理报告和实验室数据为结构化病例，助力学员模拟诊疗流程、建立综合诊断能力；未来更有望结合真实世界数据动态优化教学案例库、实现个体化学习路径推荐，进一步提升学员专业素养。

当前AI存在数据依赖性强、泛化能力受限（尤其是罕见或个体化病例）、决策解释性不足及人文关怀缺失等局限。教师需结合临床经验弥补数据不足，引导学生理解AI原理与边界以培养批判性思维，并强化人文伦理教育，确保技术服务于患者整体福祉，而非取代临床判断。

3 靶区勾画

靶区勾画是肿瘤放疗核心环节，其精准性直接决定患者预后，该环节地位堪比外科手术，也是放射肿瘤学的教学重点。AI技术为放射肿瘤学带来变革，已成为专业学员靶区勾画教学与临床实践的重要革新方向。

AI能大幅提升工作效率，传统手工勾画耗时费力，而AI可在几分钟内完成初步勾画，学员仅需后续修正，此优势已获研究证实^［15-16］。AI借助深度学习模型（如UNet、AnatomyNet）建立统一勾画标准，有效减少主观性与经验差异，便于年轻学员系统掌握规范^［17-19］。同时，可解释AI技术能够精准识别微小转移性病变及非增强区域病变，助力学员突破常见肿瘤学习局限，拓展至复杂及少见肿瘤的勾画学习^［20］。另外，AI还能通过多模态影像配准与融合解剖结构与代谢信息，辅助精准界定肿瘤边界，减少正常组织受照剂量，并以三维动态展示靶区与周围器官的空间关系，帮助直观理解剂量分布风险、增强立体认知^［21］。未来，AI有望赋能个性化精准教学，结合临床场景与实时反馈，助力高效掌握AI辅助靶区勾画技能。

AI靶区勾画亦存在局限性：对解剖变异、罕见病适应性不足，易导致误差；对肿瘤特异性生物行为（如不同病理食管癌转移差异）识别不足；对外界因素（如异物、器官运动伪影）识别率低易误判。教学中，教师需要引导学员识别错误、警惕过度依赖，并强制要求对AI辅助勾画结果进行审核修正，并将错误案例转化为再训练数据，以强化学员勾画能力。

4 计划设计及评估

AI核心优势在于利用患者个体化数据精准推荐剂量分布方案，凭借精确的剂量预测能力大幅提升治疗效率。例如，学员可通过AS-NeSt模型模拟真实病例，实时观察同步整合加量等计划的三维剂量分布，直观理解参数调整的影响，这是一种高效的可视化学习工具，助力教师开展案例教学与剂量学原则讲解^［22］。此外，AI为在线自适应放疗提供关键支持，如在质子在线自适应放疗流程中，可辅助完成靶区/危及器官模拟勾画与剂量计算，虽需要人工优化确认，但显著提升临床及教学效率，让学生亲身实践自适应放疗的核心环节^［23］。

在计划评估中，AI融合剂量体积直方图与生物模型（如TCP/NTCP），能精准预测疗效与风险：学生可调整虚拟病例剂量方案，实时观察TCP/NTCP变化以理解生物学依据；教师可引导评估不同方案的长期风险（如二次癌症），探讨疗效与安全性平衡^［24］。同时，AI能实时监测学生计划并提供调整建议，整合笔试、虚拟操作等多维度数据构建能力画像，精准识别薄弱点并推荐个性化学习路径（如靶区勾画练习）。

AI在放疗计划设计与评估中存在数据依赖性强（泛化性受限）、可解释性不足（黑箱化）及临床适配性有限（难适应动态调整）的缺陷。未来需要针对性突破现有瓶颈，构建“AI辅助初计划-医生精细化优化”的人机协同模式，并通过标准化临床验证加速其转化落地。

5 疗效评估及随访

AI可辅助指导学生整合肿瘤多模态影像，通过AI工具自动勾画肿瘤区域并量化体积、代谢活性变化（如SUV值），预测肿瘤的治疗反应。以肺癌为例，学生输入模拟PET/CT数据，观察AI分析SUV动态变化预测免疫治疗早期反应，并探索生物标志物与预后的关联；同时指导学生构建个性化TCP/NTCP预测模型，调整参数观察预测结果变化以理解个体差异对疗效的影响机制^［25-26］。此实践提升了治疗方案设计能力，强化了正常组织保护意识，助力改善患者生存质量。

在随访管理教学中，AI有望通过多维度实践助力学员掌握核心技能：结构化档案管理功能辅助生成标准化随访档案（如妇科肿瘤自动追踪阴道冲洗频率、激素治疗记录，提示宫颈闭锁或直肠炎风险），使学员掌握标准流程及规避疏漏；在并发症影像监测实训中，学员利用AI分析随访影像（如肺癌案例中标注肺纤维化范围并量化进展速度以设计康复计划）^［27］；症状智能预警则训练学员优先安排相关检查的临床决策逻辑，提升症状评估与紧急处置能力。

AI疗效评估及随访中存在数据异构性、模型可解释性不足及隐私保护问题，未来需要加强跨机构数据协作、引入可解释AI以增强临床信任、结合区块链保障数据安全，从而有效解决上述问题。

6 远程教学

AI技术突破传统教学的时空限制，高效整合资源，支持个性化学习并促进跨区域专家协作与资源共享^［28-30］。在未来放疗教学中，学员可远程操控设备演练靶区勾画、剂量计算等流程，AI将自动录制步骤并即时纠错；通过AI病例库生成的多样化案例，学员调整射野参数时，AI能实时渲染剂量云图，标记热点/冷区，并同步推送优化方案供验证。直播演示中，学员可同步查看动态剂量分布并提交勾画结果，AI自动标注危及器官超量区域，关联指南生成报告辅助教师讲评。教师还可构建多学科虚拟诊疗场景，学员分组协作制定计划，AI实时分析决策合理性并模拟临床结果提供反馈，有效支持跨区域教学，助力基层学员共享优质资源、提升教学质量。当然，远程教学仍面临实操模拟真实性、个性化反馈不足及跨区域协作效率等挑战，需要通过AI驱动的临床验证来解决。

7 科学研究

AI以多种模式显著提升科研效率与创新性，有望为放射肿瘤学学员高效开展科研提供重要手段和平台。

⑴AI支持开展数据驱动的临床研究：教师指导学员构建或调用数据库，分析多维度患者数据，探究肿瘤异质性与放疗敏感性关联、患者预后差异及最佳方案筛选^［31］；⑵促进影像组学与智能算法应用：例如采用CNN提取食管癌影像纹理特征，对比放化疗前后变化以提升病理缓解预测^［32］；学员在AnatomyNet上传头颈部MRI后，平台可自动分割危及器官，实现三维可视化剂量分布以优化计划^［33］；⑶推动多模态融合与跨学科协作：教师协助分配任务（如整合病理图像与基因组数据），提供AI工具链（AI代理检索文献、AlphaFold4分析蛋白结构、AutoDock加速靶向药物筛选）^［34］，并通过平台模拟多中心数据协作提升科研效率，教师可实时监控模型泛化能力。但仍需要应对数据协作、跨模态整合及模型泛化等挑战，未来应着力探索多中心协作平台、AI工具链支持及教师实时监控优化等路径。

8 风险与决策

AI融入教学时，需要明确其教学辅助定位，不可替代教师，应推行人机协作并引导学员避免算法依赖。实践中需要重点解决六大问题：一是伦理法律责任，需要明确AI误差（如放疗靶区勾画失误）的责任归属，构建开发者（算法缺陷）、教师（审核监督）、学员（操作规范）的责任框架，并强制人工复核；二是算法偏见，关注训练数据偏差导致模型在特定人群（如不同种族、性别）中表现失衡的问题，教师应引入多样化病例暴露算法局限，主导数据审查；三是数字鸿沟，应对硬件不足、平台成本高及地区/院校间基础设施与人才差异加剧的资源不均，需要开发轻量化Web教学平台，开源放疗教学模型库，推动共建共享以降低成本、提升普及率；四是师生数字素养，通过持续培训提升其对AI工具的理解、接受与运用能力；五是批判性思维与人文精神培养，避免过度依赖AI“最优解”削弱独立思考、解决非标准化问题的能力及人文关怀，教师需要引导学生处理非常规问题，强化独立判断；六是评估体系革新，突破传统笔试局限，从技术操作、批判性决策、人文沟通等多维度综合评估AI辅助学习成效，设计系统方案。

综上所述，AI正深刻重塑肿瘤放疗专业教学模式，其在个性化学习规划、诊疗各个环节、远程协作及科研等创新场景中展现强大效能，为医学教育注入新活力。但在拥抱技术革新的同时，需要警惕过度依赖。医学教育坚守“以人为本”的理念，师生间的情感交流、经验传承与人文关怀，是技术无法替代的。因此，在AI赋能教学的过程中，需要始终坚守这一根本。未来，构建安全可靠、开放共享的智能化教育生态系统，有望充分发挥AI优势，使其成为培养新一代放疗专业人才的重要支撑。

参考文献

[1] Berriochoa C， Weller M， Berry D，et al.Program director and chief resident perspectives on the educational environment of US radiation oncology programs［J］.Pract Radiat Oncol，2017，7（1）：e65-e70.

[2] 石兴源，郭伟，梁阐锦，等.PBL联合CBL教学法在肿瘤放疗专业临床教学中的应用［J］.广州医科大学学报，2020，48（4）：71-73.

[3] Bryant J M， Madey K C， Rosenberg S A，et al.Radiation oncology resident education：is change needed［J］.J Cancer Educ，2024，39（6）：713-720.

[4] Zhu S， Ma S J， Farag A，et al.Artificial intelligence，machine learning and big data in radiation oncology［J］.Hematol Oncol Clin North Am，2025，39（2）：453-469.

[5] Almeida N D， Shekher R， Pepin A，et al.Artificial intelligence potential impact on resident physician education in radiation oncology［J］.Adv Radiat Oncol，2024，9（7）：101505.

[6] 吴双，周育夫.人工智能在肿瘤放射治疗中的应用［J］.中国医疗设备，2020，35（8）：161-166.

[7] 陈建校，刘斯琦，左梦雪.人工智能重塑高等教育个性化教学：作用机理与影响效应［J］.中国职业技术教育，2025（3）：75-84.

[8] Xu X.AI optimization algorithms enhance higher education management and personalized teaching through empirical analysis［J］.Sci Rep，2025，15（1）：10157.

[9] Abdullah K A， Marziali S， Nanaa M，et al.Deep learning-based breast cancer diagnosis in breast MRI：systematic review and meta-analysis［J］.Eur Radiol，2025，35（8）：4474-4489.

[10] Vazoura G P， Filos D， Giannoula E，et al.AI potential in PET/CT cancer imaging［J］.Hell J Nucl Med，2024，27（3）：212-221.

[11] Broggi G， Maniaci A， Lentini M，et al.Artificial intelligence in head and neck cancer diagnosis：a comprehensive review with emphasis on radiomics，histopathological，and molecular applications［J］.Cancers，2024，16（21）：3623.

[12] 肖文铉，赵珅，江一舟.肿瘤大数据与人工智能在肿瘤诊疗中的应用现状、挑战与未来展望［J］.中国科学基金，2025，39（1）：153-161.

[13] Sun F， Zhang L， Tong Z.Application progress of artificial intelligence in tumor diagnosis and treatment［J］.Front Artif Intell，2025，7：1487207.

[14] 段明月，叶玉琴，张乐，等.人工智能制定乳腺癌术后治疗方案与相关指南一致性研究［J］.中国实用外科杂志，2019，39（9）：964-967.

[15] Jester N， Singh M， Lorr S，et al.The development of an artificial intelligence auto-segmentation tool for 3D volumetric analysis of vestibular schwannomas［J］.Sci Rep，2025，15（1）：5918.

[16] 王斌.基于深度学习技术的放疗靶区自动勾画系统设计与功能实现［J］.电脑知识与技术，2024，20 （30）：25-27.

[17] Ahmed S R， Befano B， Egemen D，et al.Generalizable deep neural networks for image quality classification of cervical images［J］.Sci Rep，2025，15（1）：6312.

[18] Yang J， Zhang Y， Fan W，et al.A novel lightweight multi-scale feature fusion segmentation algorithm for real-time cervical lesion screening［J］.Sci Rep，2025，15（1）：6343.

[19] Xia S J， Zhao B， Li Y，et al.Cer-ConvN3Unet：an end-to-end multi-parametric MRI-based pipeline for automated detection and segmentation of cervical cancer［J］.Eur Radiol Exp，2025，9（1）：20.

[20] Ariful I M， Mridha M F， Safran M， et al. Revolutionizing brain tumor detection using explainable AI in MRI images［J］.NMR Biomed，2025，38（3）：e70001.

[21] Huang L， Gong J， Feng D， et al. A comprehensive dataset of germinoma on MRI/CT with clinical and radiomic data［J］.Sci Data，2025，12（1）：312.

[22] Duan Y， Wang J， Wu P，et al.AS-NeSt：a novel 3D deep learning model for radiation therapy dose distribution prediction in esophageal cancer treatment with multiple prescriptions［J］.Int J Radiat Oncol Biol Phys，2024，119（3）：978-989.

[23] Populaire P， Marini B， Poels K，et al.Autodelineation methods in a simulated fully automated proton therapy workflow for esophageal cancer［J］.Phys Imaging Radiat Oncol，2024，32：100646.

[24] 曹婷婷，代智涛，李妩舟，等.临床计划评估的放射生物学模型研究进展［J］.中国医学物理学杂志，2019，36（7）：770-777.

[25] 李倩，张宇威，叶兆祥.影像人工智能在肺癌疗效评估和预测中的应用进展［J］.肿瘤影像学，2023，32（1）：1-11.

[26] Casali A， Ramos R L， Ballarini F，et al.Prediction of normal tissue complication probability for rat spinal cord tolerance following ion irradiations［J］.Phys Med Biol，2024，69（24）：245012.

[27] Wang G， Zhai S， Lasio G， et al. Semi-supervised segmentation of radiation-induced pulmonary fibrosis from lung CT scans with multi-scale guided dense attention［J］.IEEE Trans Med Imaging，2022，41（3）：531-542.

[28] 栾丹丹，吴瀚，马小青.AI技术应用下的远程教育教学方式改革探究［J］.信息与电脑（理论版），2024，36（17）：220-222.

[29] 沈天乐，杜向慧.人工智能在恶性肿瘤放疗领域中的应用与前景［J］.浙江医学，2018， 40（8）：783-785.

[30] Kawahara D， Murakami Y， Tani S，et al.A prediction model for pathological findings after neoadjuvant chemoradiotherapy for resectable locally advanced esophageal squamous cell carcinoma based on endoscopic images using deep learning［J］.Br J Radiol，2022，95（1135）：20210934.

[31] Zhu W， Huang Y， Zeng L，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.

[32] Lee Y， Ferber D， Rood J E，et al.How AI agents will change cancer research and oncology［J］.Nat Cancer，2024，5（12）：1765-1767.

基金资助

安徽省高等学校质量工程项目(2024jyxm0714)

安徽省高校自然科学基金重点项目(KJ2021A0300)