在全球癌症负担日益加重的背景下，放射治疗作为癌症治疗的基石技术，其疗效高度依赖于治疗规划的质量。然而，当前基于治疗规划系统( TPS )的传统规划模式正面临着三重挑战：规划质量难以保证最优、规划流程效率低下且耗时漫长，以及高昂的人力成本。这些问题不仅直接影响患者的治疗效果——例如在高级别胶质瘤中，治疗每延迟一天死亡风险增加2%——更在医疗资源有限的地区加剧了癌症治疗的可及性困境。
针对上述难题，约翰斯·霍普金斯大学的研究团队在《npj Digital Medicine》上发表了一项前瞻性研究，提出了一种名为"以人为本的智能治疗规划( HCITP )"的创新框架。该研究旨在通过人工智能技术重塑放射治疗规划流程，在保持人类临床医生最终决策权的前提下，大幅提升规划效率与质量。
HCITP框架的核心由三大智能模块构成。评估模块基于基础模型( FM )构建，能够综合处理多模态数据（包括临床指南、医学影像和临床笔记等），对计划质量进行全面评估，并融合医师的个人偏好。执行模块采用强化学习( RL )技术，模拟人类计划师操作TPS的决策过程，自动生成可执行的计划。对话模块则基于大语言模型( LLM )和语音识别技术，实现评估者与系统间的自然交互，使反馈能够直接融入规划流程。
研究团队通过系统分析验证了HCITP的多重优势。与传统流程相比，新框架能够生成更高质量、更个性化的治疗计划，同时将规划时间从数天缩短至几分钟。这种效率提升对于需要频繁调整计划的适应性放射治疗( ART )尤为重要，特别是在在线自适应放疗场景中，计划必须在患者位于治疗床上的极短时间内完成。
在技术方法层面，研究人员主要依托三大关键技术：基于基础模型的多模态数据融合与评估技术、强化学习驱动的自动化TPS操作策略，以及大语言模型支持的人机交互接口。这些技术的整合应用确保了系统在处理复杂临床数据、生成可执行计划以及实现自然交互方面的能力。
研究结果显示，HCITP框架具有显著的临床应用价值。评估模块能够持续学习最新的临床指南和技术标准，确保评估标准与时俱进。执行模块通过强化学习的探索性学习能力，能够发现超越传统方法的优化策略，不仅提升计划质量，还具有教育意义。对话模块则通过简化评估者与系统间的沟通流程，有效减少了传统模式中因信息传递不畅导致的质量变异。
研究还深入探讨了HCITP面临的挑战与解决方案。在技术层面，模型训练需要大量高质量数据，而强化学习训练过程的计算强度较大。针对计划质量的可变性挑战，HCITP通过整合临床指南和学习医师偏好来提升一致性。在临床实施方面，需要考虑不同机构的资源差异，采用轻量级模型和云资源结合的策略。安全性方面，需要通过链式思维提示( chain-of-thought prompting )和检索增强生成等技术降低模型幻觉风险。
该研究的结论部分强调，HCITP代表了一种统一、智能的放射治疗规划新范式，其核心创新在于将先前孤立解决治疗规划不同方面的尝试整合到一个协调的工作流程中。与当前临床实践相比，新框架不仅能够生成更高质量的治疗计划，还能通过显著提升规划效率来缩短诊断与治疗开始间的时间间隔，这对快速进展的肿瘤患者尤为重要。
值得注意的是，HCITP框架始终坚持"以人为本"的原则，医师始终保持着对计划的最终审批权。这种设计既发挥了人工智能的技术优势，又确保了临床专家的核心决策地位，类似于航空领域中自动化系统与飞行员职责的有机结合。随着技术的进一步发展和临床验证的推进，HCITP有望在提升个性化治疗水平、扩大放射治疗可及性以及推动临床实践进步方面发挥重要作用。
