亞洲健康互聯
優化產業的推手,生醫商機的GPS!

首頁最新消息產業觀測站人工智慧在腫瘤放射治療中的應用

人工智慧在腫瘤放射治療中的應用

來源 : 中國醫療設備雜誌2020年第8期
update : 2020/10/27
引言
儘管“人工智慧”(Artificial Intelligence,AI)已經成為一個人盡皆知的概念,但對 AI 的定義還沒有達成普遍的共識。傳統的 AI 發展思路是研究人類如何產生智慧,然後讓機器學習人的思考方式去行為。現代 AI 概念的提出者約翰 · 麥卡錫認為,機器不一定需要像人一樣思考才能獲得智慧,而重點是讓機器能夠解決人腦所能解決的問題 [1]。從 1956 年 AI 這個概念被首次提出以來,AI 的發展幾經沉浮,終於在 21 世紀迎來了質的飛躍。AI 技術已經滲透到醫療健康的方方面面,如醫學影像分析、醫學病理分析、疾病預測、健康管理、新藥研發等。本文將重點介紹 AI 在腫瘤放療領域的應用現狀。

1 AI在醫療中的應用
在醫療健康行業,AI 應用場景越發豐富,現實生活中已有不少 AI 提高醫療服務水準的成功案例。2019 年 7 月,Campanella 等 [2] 在 Nature Medicine 上發表臨床級病理 AI癌症診斷系統,展示了 AI 在病理診斷上的巨大潛力,研究者利用 15187 例患者的沒有任何標注的腫瘤組織切片圖像訓練該模型,AUC 達到 0.98。2019 年 5 月,Nature Medicine 報導了 Ardila 等 [3] 完成的肺癌 AI 篩查研究。該模型的準確率高於 6 位放射科醫生,假陽性率減少了 11%,假陰性率為 5%,AUC 為 94.4%。同月,Lin 等 [4] 利用深度學習建立了“先天性白內障 AI 診斷決策平臺”,該平臺可用于診斷兒童白內障並提供風險分層和治療建議,在多中心隨機對照臨床研究中診斷準確率為 87.4%,平均時間為 2.79 min。2019 年 4 月,來自中國的 Chen 等 [5] 使用 2047 例長期隨訪的 IgA 腎病患者資料,借助機器學習方法,建立結合臨床和腎臟病理的預後風險預測及風險分層系統,使醫生可快速準確地預估患者的腎臟預後風險概率以及風險等級,這一研究成果發表在《美國腎臟病雜誌》上。同期,來自中國的 Wang 等 [6] 開發了一種實現術前無創預測肺癌表皮生長因數受體(Epidermal Growth Factor Receptor,EGFR)基因突變的深度學習模型。該模型可從患者的 CT 中預測 EGFR 突變狀態,並達到較好的準確度(AUC=0.85)。

2 AI在腫瘤放射治療中的應用
放射治療是治療惡性腫瘤的重要手段之一,超過 70%的惡性腫瘤患者在病程的不同階段需要接受放療 [7]。腫瘤放療流程複雜,包括類比定位,計畫設計,治療驗證,計畫執行等,靶區、危及器官勾畫和計畫設計是放射治療的兩個非常重要環節。靶區和危及器官的精准勾畫、放療計畫的精確制定和實施,是實現放射治療增益比最大化的根本保證 [8]。腫瘤放射治療流程圖,見圖 1。


圖1 腫瘤放射治療流程圖

2.1 靶區和危及器官的勾畫
按照傳統的放療流程,靶區和危及器官的輪廓線是由經驗豐富的臨床醫生耗費 3~5 h 進行人工勾畫所完成,勾畫人員的臨床經驗和知識水準的高低會導致結果的優劣差異。而有學者基於深度學習方法利用 CT 圖像建立鼻咽癌危及器官自動分割模型,該模型對單個病例進行危及器官分割需要大約 30 s,並且自動分割與人工分割結果強相關,Dice 係數大於 0.85[9]。同樣,近期中國研究團隊利用卷積神經網路(Convolutional Neural Network,CNN)實現鼻咽癌放射治療靶區自動勾畫,並且 AI 自動勾畫準確性與專科醫生相當,這一研究成果於 2019 年 3 月發表在《Radiology》雜誌。以專家勾畫作為金標準,AI 自動勾畫的準確率為79%,經專家評估,32.5% 的病例無需修改可直接用於放射治療計畫設計,56.2% 的病例只需少量修改即可用於放療計畫設計 [10]。

有學者提出一種深度擴張卷積神經網路(Deep Dilated Convolutional Neural Network,DDCNN)的模型。研究結果顯示臨床靶區平均 Dice 相似係數為 0.88,每例直腸癌患者的自動分割時間為 45 s,且自動分割結果不受患者體型、年齡的影響 [11]。為了進一步提高靶區分割精度,Men 等 [12]開發一種新型卷積神經網路(稱為 CAC-SPP)用於直腸癌患者的腫瘤靶區分割。結果表明 CAC-SPP 在 MR 圖像和CT 圖像的 Dice 相似係數和分割速度均高於傳統的模型,進一步提高了直腸癌腫瘤靶區分割的準確性。

Men 等 [13] 基於大資料和深度學習建立名為 DD-ResNet的模型,實現了乳腺癌患者的臨床靶區自動分割。該研究使用 800 例接受保乳治療的患者資料進行評估,並利用深度擴張 DDCNN 和 深 度 反 卷 積 神 經 網 絡(Deep Deconvolution Neural Network,DDNN)模型對 DD-ResNet模型的性能進行了評估 :對於右側和左側乳腺癌,平均Dice 相似係數為 0.91 和 0.91,高於其他兩個網路(DDCNN:0.85 和 0.85; DDNN :0.88 和 0.87)。DDCNN,DDNN 和DD-ResNet 分割每例患者的時間分別為 4、21 和 15 s [13]。Feng 等 [14] 開發一種深度擴張卷積神經網路對胸部危及器官進行分割,該模型可從胸部 CT 中對 5 個器官(左、右肺,心臟,食管和脊髓)進行自動分割,並且 Dice 係數優於人類專家,表現出良好的性能,並降低了危及器官分割的成本。Jackson 等 [15] 基於卷積神經網路開發了自動圖像分割工具,此外,將分割輪廓應用於估計腎放射治療劑量。結果顯示該工具能夠在大約 90 s 內準確地識別並分割所有患者的左右腎,左右腎的平均 Dice 相似係數分別為 0.86 和 0.91,在手動和自動演算法之間沒有觀察到放射吸收劑量的顯著差異。

Vander 等 [16] 將多圖譜和深度學習方法用於腦腫瘤患者危及器官的自動分割,定性和定量分析表明...