【原】PTCOG2020線上會議：人工智能(AI)在離子治療中的應用

ProtonCN 2021-08-24

展開全文

北京時間9月14日晚9點，PTCOG2020線上會議期間，得克薩斯大學西南醫(yī)學中心終身教授、Barbara Crittenden癌癥研究教授、醫(yī)學人工智能與自動化(MAIA)實驗室主任、放射腫瘤學系副主任Dr. Steve Jiang做了題為《人工智能(AI)在離子治療中的應用》的演講。質(zhì)子中國將演講內(nèi)容整理后與大家分享。

AI在醫(yī)學中的應用

Dr. Steve Jiang認為，AI是使機器能夠從人類既往的經(jīng)驗/數(shù)據(jù)中學習，適應新的輸入并執(zhí)行類似人類的任務。具有以下三大特點：

從人類既往的經(jīng)驗/數(shù)據(jù)中學習；
通過與環(huán)境相互作用進行持續(xù)學習；
更好、更快、更便宜地執(zhí)行人類的任務。

目前，Dr. Steve Jiang所領導的MAIA團隊，正從以下三個方面進行創(chuàng)新、開發(fā)和應用AI技術，以提高臨床醫(yī)生的診療水平，尤其是經(jīng)驗較少或資源有限的臨床醫(yī)生，進而改善患者治療效果：

通過從患者數(shù)據(jù)/圖像中檢索隱藏信息來提高診斷的精確性，并做出更好的臨床決策；
通過自動化臨床程序來提高醫(yī)生的工作效率，節(jié)省醫(yī)生在計算機前的工作時間；
通過向經(jīng)驗豐富的醫(yī)生學習，經(jīng)驗不足的醫(yī)生可以借此獲得更多專業(yè)知識，減少醫(yī)療差距，這也是AI在醫(yī)學中最有影響力的應用。

AI在放療中的應用

AI在腫瘤放療中的應用幾乎可以貫穿放療全程，包括：

結(jié)合臨床表現(xiàn)、基因?qū)W和影像檢查結(jié)果以幫助精確診斷；
幫助減少患者的輻射暴露，增強圖像質(zhì)量，抑制偽像并實現(xiàn)更準確的圖像注冊(image registration)；
自動分割腫瘤和器官，進行最佳照射劑量預測，有望簡化計劃過程；
有助于加快QA流程并發(fā)現(xiàn)罕見的錯誤事件，尤其是對于高度復雜的腫瘤治療；
增強圖像引導、運動管理和治療排期，有望提高臨床效率并改善患者治療結(jié)局；
準確預測腫瘤治療反應、放療誘導的毒性反應和其他不良反應，提供實時、有效的臨床決策支持。

AI在離子治療中的應用

1
治療計劃和ART再計劃

雙能CT或錐形束CT阻止本領比的映射(Stopping power ratio mapping from DECT or CBCT)；
基于MR治療計劃的MR-CT轉(zhuǎn)換(MR-CT conversion for MR-based treatment planning)；
基于CBCT的ART再計劃的CBCT-CT轉(zhuǎn)換(CBCT-CT conversion for CBCT-based ART re-planning)；
基于深度學習的質(zhì)子劑量計算(Deep-learning based proton dose calculation)。

射程和劑量驗證

正電子活性分布(Positron activity distribution)；
瞬發(fā)伽馬圖像(Prompt gamma image)；
二次電子軔致輻射X射線圖像(Secondary electron bremsstrahlung X-ray image)；
聲學信號(Acoustic signals)；
水的光學圖像(Luminescence image of water)。

特定患者的QA

MU預測(Monitor Unit prediction)。

目前，已有多個研究團隊發(fā)表了AI在離子治療領域中的研究成果。

Emory大學發(fā)表的AI在質(zhì)子治療計劃方面的研究成果

武漢大學發(fā)表的AI在質(zhì)子治療射程驗證方面的研究成果

華盛頓大學和俄克拉荷馬大學發(fā)表的AI在質(zhì)子治療MU預測方面的研究成果

將AI模型應用到臨床實踐

AI在臨床實踐中的應用

Dr. Steve Jiang表示，AI解決方案應是作為一個包含人員、流程和技術在內(nèi)的系統(tǒng)進行設計和應用，而不單單只是一組機器學習(ML)模型。在醫(yī)療系統(tǒng)實現(xiàn)人工智能化，應將AI作為醫(yī)療系統(tǒng)的一部分，利用AI為解決特定問題提供最佳方法。另外，對AI解決方案的評估不應僅僅局限于是否在臨床診療過程或結(jié)果中達到了預期目標，還需評估方案實施的好壞。

AI臨床應用的障礙

目前，臨床應用AI的障礙主要表現(xiàn)在以下幾個方面：

數(shù)據(jù)集的大小，即有限的數(shù)據(jù)集限制了AI深度學習；
橫向數(shù)據(jù)異構性，即你的AI模型可能不適用于其他人；
缺乏事實依據(jù)，即在許多情況下，醫(yī)學仍是一門藝術；
模型偏差；
縱向數(shù)據(jù)變化，即模型的性能會隨著時間的推移而下降；
臨床數(shù)據(jù)質(zhì)量，即并不是所有的臨床數(shù)據(jù)都是高質(zhì)量的；
數(shù)據(jù)管理，即臨床資料的整理是非常昂貴的；
模型的可解釋性，即醫(yī)學領域的AI要求模型具備可解釋性；
模型的魯棒性。

AI臨床應用的挑戰(zhàn)：數(shù)據(jù)異質(zhì)性

挑戰(zhàn)1

對于不同的機構、機器、掃描儀、臨床醫(yī)生等，潛在的空間分布可能會有所不同；包含數(shù)據(jù)集A的模型可能對數(shù)據(jù)集B的效果不佳。需要注意的是，用于訓練AI的數(shù)據(jù)并非總是越多效果越好。

英國的研究人員開展的機器學習的數(shù)據(jù)價值評估顯示，收集的數(shù)據(jù)并非越多越好

挑戰(zhàn)2

Dr. Steve Jiang表示，很多人在使用自己收集的數(shù)據(jù)訓練和測試模型，而不考慮模型應用的普適性。我們正在推廣的是，使用自己收集的數(shù)據(jù)訓練模型，并使用其他數(shù)據(jù)進行測試，證明模型的可行性。難點在于如何有效、充分地證明模型的普適性和模型的通用性(適合任何人隨時隨地使用)。

發(fā)表于Nature雜志的研究發(fā)現(xiàn)，將英國數(shù)據(jù)集上(25,856名女性，AUC 0.889)訓練的模型，在美國數(shù)據(jù)集上(3,097名女性，AUC 0.810)進行測試，模型的表現(xiàn)優(yōu)于6位放射科醫(yī)生，研究人員表示，“我們提供了證據(jù)證明，該模型可以從英國推廣到美國進行應用。”

McKinney,Sieniek,Godbole, Godwin et al,Nature 577, 89–94(2020) (Google Health etc)

解決方案

針對目前AI臨床應用的挑戰(zhàn)，Dr. Steve Jiang認為解決方案是：用收集的數(shù)據(jù)訓練模型，將模型實施應用時，應使用小部分終端用戶的本地數(shù)據(jù)集進行自動遷移學習。另外，應針對不同用戶進行模型調(diào)試，生成不同型號的模型。(質(zhì)子中國編譯報道)

PTCOG2020線上會議系列報道

PTCOG2020線上會議開幕，發(fā)布最新全球離子治療數(shù)據(jù)

PTCOG2020線上會議將于9月13~14日舉行，現(xiàn)已開放網(wǎng)上注冊并公布會議日程