这项基于人工智能的肺部肿瘤动态追踪技术通过实时监测呼吸引起的肿瘤位移，显著提升了放射治疗和影像诊断的精准度，其核心技术突破体现在以下方面：### 一、多模态传感与动态建模1. **呼吸信号捕捉系统**

西北医学院科学家团队最新研发的人工智能工具iSeg，在一项大型新研究中不仅实现了与医生相当的CT影像肺肿瘤勾画精度，还能识别医生可能遗漏的病变区域。

区别于早期专注于静态图像的AI工具，iSeg是首个通过3D深度学习实现对呼吸运动肿瘤进行分割的系统――这对制定放射治疗计划至关重要，全美半数癌症患者在其病程中需要接受该治疗。

"我们距离实现比十年前想象的更精准的癌症治疗又近了一步，"资深作者、西北大学范伯格医学院放射肿瘤学主任Mohamed Abazeed教授表示，"这项技术的核心目标是赋予医生更强大的工具。"Abazeed教授领导的团队专注于开发数据驱动工具以个性化和改进癌症治疗，同时任职于西北大学Robert H. Lurie综合癌症中心。

该研究于6月30日发表于《npj Precision Oncology》期刊。

iSeg的构建与验证

研究团队基于西北医学和克利夫兰诊所医疗集团九个机构的数百名肺癌患者CT扫描及医师标注数据完成模型训练，其数据规模远超以往多数单中心研究。验证阶段显示，iSeg在不同医疗机构和扫描设备数据中均保持与专家标注的高度一致性，并成功识别出部分医生遗漏的高危区域，这些遗漏区域与较差的临床预后直接相关。

"精准靶区勾画是安全有效放射治疗的基石，即使微小误差也可能影响肿瘤控制或引发额外毒性，"Abazeed强调，"通过自动化和标准化靶区勾画，我们的AI工具可减少治疗延误、确保跨机构公平性，并有效识别潜在漏诊区域。"第一作者、西北大学人工智能硕士Sagnik Sarkar补充道。

临床应用的曙光

研究团队正在进行实时临床验证，同步开发用户反馈系统，并计划将该技术扩展至肝癌、脑瘤和前列腺癌等其他瘤种。未来还将适配MRI、PET等多种成像模式。共同作者Troy Teo指出："这项基础性技术有望标准化放射肿瘤靶区勾画流程，特别是在专科资源匮乏地区，预计未来两年内可实现临床应用。"

该研究题为《深度学习驱动呼吸运动解析的自动肿瘤分割技术》。