目的本研究旨在基于卷积神经网络（CNN）构建宫颈癌近距离治疗（BT）高危临床靶区（HR-CTV）及盆腔危及器官（OARs）的自动勾画模型,以提高临床工作效率,使靶区勾画更为规范、统一,缩短患者等待治疗的时间。资料和方法本研究纳入68例局部晚期宫颈癌患者在图像引导下近距离治疗（IGBT）的CT资料,对其HR-CTV及OARs（膀胱、直肠、乙状结肠和小肠）进行统一的人工修改,再由两位高年资医师审核修改结果。我们基于2DU-Net的架构设计了 2.5D的CNN自动勾画模型,并采用相似度系数（DSC）和95分位豪斯多夫距离（95HD）定量评价其分割性能。由两位临床医师对10名测试集患者实际治疗时的临床靶区（GT组）和人工智能勾画的靶区（AI组）进行盲法评估,比较两组间的评分差异以及两位医师评价的一致性。此外,我们根据BT的剂量分布特点修改了 DSC的权重分布,随后在16例宫颈癌术后使用阴道柱状施源器BT治疗的患者的自动勾画的结果上进行测试,比较DSC与改良DSC（wDSC）,并探索两者与D2cc间的相关性。结果该模型勾画宫颈癌HR-CTV、膀胱、直肠、乙状结肠和小肠的平均DSC分别为 0.81、0.92、0.84、0.65 和 0.83,平均 95HD 分别为 5.07mm、4.56mm、4.58mm、28.31mm和18.77mm。两位医师的评估结果显示该模型勾画的膀胱、直肠和小肠大多符合临床应用标准,而70%的乙状结肠靶区需要大幅度修改。两位医师均认为人工智能（AI）组98.7%的宫颈癌HR-CTV可被临床应用所接受,尽管AI组在HR-CTV上的得分要明显低于GT组。医师A对AI组和GT的HR-CTV评分的均分都低于医师B,且差异具有统计学意义。在AI辅助下人工勾画耗时由28min缩短至15min。此外,16位患者经ResU-Net自动勾画的平均DSC为膀胱0.93、直肠0.87,而wDSC对应的结果为膀胱0.52、直肠0.40,对GT组和AI组的膀胱的D2cc差值取绝对值（以|△D2cc|表示）并计算其平均值为39.94cGy,直肠的| △D2cc|平均值为42.06cGy。相关性分析显示膀胱wDSC和|△D2cc|显著相关,相关系数为-0.572（P<0.05）。结论该自动勾画模型在HR-CTV、OARs的自动勾画上可基本满足临床应用标准,但仍需更大训练样本改进直肠和乙状结肠的勾画结果。AI辅助医师勾画靶区可明显提升工作效率,并使临床工作更加规范、统一。研究也提示不同勾画者在HR-CTV的勾画标准上存在理解差异。此外,膀胱wDSC与D2cc差值之间存在更好的相关性,能更好地评估近源处的相似度。