8.4 人工智能与计算放射生物学

8.4 人工智能与计算放射生物学

本节摘要：从 LQ 公式到深度学习，放射生物学的建模传统正在经历一次扩容：机制模型给出可解释的骨架，数据驱动模型补充人群平均之外的细节，物理约束与临床校验则负责拦住黑箱的胡来。本节讲清两类模型的分工与融合、AI 在放疗工作流里的真实岗位，以及为什么"可解释、可验证"是这一行的生死线。全书知识在此收拢成可运行的模型语言。

两类模型的分工与融合

计算放射生物学的家谱要从两条支系讲起。第一条支系是机制模型：从靶学说、LQ 到 TCP 与 NTCP，百余年来学科用解析公式表达效应的因果骨架——参数少、可解释、可跨场景外推，但细节粗糙：α/β 用的是人群平均，修复动力学被简化成静态项，微环境与免疫几乎缺席。第二条支系是数据驱动模型：机器学习与深度学习从治疗计划、影像与随访数据里自动学习剂量-效应关系，不需要预设公式形态，擅长捕捉机制模型写不出的非线性与交互项——代价是黑箱、依赖训练数据分布、外推能力差。融合的思路因此顺理成章：用机制模型当骨架（保证外推合理、参数可解释），用数据模型学残差与修正项（补足机制缺失的细节），这正是"物理约束下的机器学习"在放疗里的落点。一个典型例子是把 LQ 的单调性与弯曲方向写成损失函数里的硬约束，神经网络只被允许在物理合理的解空间里拟合——模型依然聪明，但不再胡来。

模型融合的日常形态是一次前向计算：给定方案参数，先算 LQ 骨架，再叠加学习到的修正。下面这段示意代码演示了一个带再增殖折扣的肿瘤 BED 计算，把第 6 章的两处知识（BED 公式与总时间折扣）拼进一个函数。

# 示意计算：带再增殖折扣的肿瘤 BED（alpha/beta 取 10 Gy）
# 仅演示公式组合，不代表任何真实患者数据
def tumor_bed(total_dose, dose_per_fx, ab=10.0, weeks=0, weekly_repair=0.7):
    # 基础 BED：BED = D * (1 + d / (alpha/beta))
    bed = total_dose * (1 + dose_per_fx / ab)
    # 再增殖折扣：疗程每多一周，扣除 weekly_repair Gy 物理剂量
    if weeks > 0:
        effective_dose = total_dose - weekly_repair * weeks
        bed = effective_dose * (1 + dose_per_fx / ab)
    return bed

print(tumor_bed(60, 2, weeks=7))   # 拖延七周的方案
print(tumor_bed(60, 2, weeks=6))   # 准点完工的方案
# 输出对比：拖延一周约损失 0.84 Gy 的 BED10，
# 这正是"总时间也是处方"在代码里的样子。
​

AI 的真实岗位与生死线

把岗位清单写实际一点。计划评估岗位：AI 对比历史相似病例，对当前计划的 TCP 与 NTCP 估计给出参考区间，提示"这个计划在类似患者中的典型表现"；轮廓与配准岗位：器官与靶区勾画是深度学习最成熟的落地，把物理师从重复劳动里解放出来去审核关键结构；自适应放疗岗位：疗程中肿瘤缩小、体重变化导致剂量分布漂移，强化学习或优化算法在线调整——这是数据模型与 LQ 骨架协同最深的场景；结局预测岗位：结合影像组学与基因组（上一节）预测个体毒性概率，为方案选择提供量化参考。每一个岗位都对着同一条生死线：可解释与可验证。可解释要求模型能说清"为什么这么判"——或是参数有生物学含义，或是注意力能对应到剂量区域；可验证要求前瞻性检验——在没见过的数据与真实队列上兑现预测精度，而不是在训练集上自我表扬。监管侧同样按这条线设卡：临床决策支持的算法如今按医疗软件的等级管理，训练数据的偏差审计、跨中心复现、失效场景说明都是准入材料。这门学科一百三十年来养成的习惯——每个结论都要经得起独立重复——没有因为模型换成神经网络而更改，只是从实验室礼节变成了工程门禁。

机制与数据的交接班：一场正在发生的范式分工

用本册的时间视角看，这场建模扩容其实是学科的又一次"交接班"。靶学说时代，物理学把概率语言借给生物学，生物效应第一次可计算；LQ 时代，分子机制把参数含义还给了数学，模型从黑箱变成有故事的公式；今天的机器学习浪潮，则是第三班岗：数据规模首次超过了人工归纳能力，模型开始直接从病例里读出人类没来得及写进公式的规律。每一班岗都留下同样的经验：新工具接管"预测"，旧工具接管"理解"——LQ 没有被神经网络取代，而是变成了它们的物理骨架；将来深度模型成熟了，也必然要把可解释的部分反哺回机制研究。对学习者的建议因此很具体：先学透第 2 章与第 6 章的经典模型——它们是所有黑箱的地基；再学数据科学的基本功——读懂特征、验证与偏差这三个词；最后警惕两个极端：既不做"模型万能"的乐观派，也不做"黑箱无用"的守旧派。这门学科一百三十年的历史给出的答案是稳定的：工具会更迭，而"假设—预测—验证"的循环不会。

问题：不会写代码，能学放射生物学吗？

能，但要重新定义"会"的边界。学科的分工正在分化：机制研究者需要能读懂模型假设（α/β 是什么意思、修复半时间取了什么值），临床与防护工作者需要能质疑模型输出（这个预测在什么人群上验证的、失效场景是什么），而真正写代码建模的是一支规模可控的专业队伍。换句话说，未来的"生物学家素养"里，编程不是必修，"模型的批判性使用"才是——就像今天不必会造直线加速器，但必须读懂剂量分布图。本册全程只用了加减乘除，已经把 BED、剂量换算、存活分数都算了一遍——这正说明了另一件事：计算素养的起点不是语言，而是把量纲与逻辑想清楚。

本节要点回顾

• 两条支系各有所长：机制模型可解释可外推但粗糙，数据模型灵活但黑箱，融合是当前主流路线；
• 物理约束防胡来：把 LQ 的单调性与弯曲方向写成硬约束，神经网络只在物理合理的解空间里拟合；
• AI 的四个实际岗位：计划评估、轮廓与配准、自适应放疗、毒性预测，全部面向流程而非替代决策；
• 生死线是可解释与可验证：参数要有生物学含义，预测要过前瞻检验，监管按医疗软件标准设卡；
• 学科的连续性：一百三十年"独立重复才作数"的传统，如今以工程门禁的形态继续把关。

全书到此收束：从暗室荧光到代码模型，这条时间线仍在延长。愿你带着它的历史感与工具箱，去读下一章——不管它写在纸上，还是写在算法里。