PTCOG2020线上会议:人工智能(AI)在离子治疗中的应用

北京时间9月14日晚9点,PTCOG2020线上会议期间,得克萨斯大学西南医学中心终身教授、Barbara Crittenden癌症研究教授、医学人工智能与自动化(MAIA)实验室主任、放射肿瘤学系副主任Dr. Steve Jiang做了题为《人工智能(AI)在离子治疗中的应用》的演讲。质子中国将演讲内容整理后与大家分享。

AI在医学中的应用

Dr. Steve Jiang认为,AI是使机器能够从人类既往的经验/数据中学习,适应新的输入并执行类似人类的任务。具有以下三大特点:

  • 从人类既往的经验/数据中学习;

  • 通过与环境相互作用进行持续学习;

  • 更好、更快、更便宜地执行人类的任务。

目前,Dr. Steve Jiang所领导的MAIA团队,正从以下三个方面进行创新、开发和应用AI技术,以提高临床医生的诊疗水平,尤其是经验较少或资源有限的临床医生,进而改善患者治疗效果:

  • 通过从患者数据/图像中检索隐藏信息来提高诊断的精确性,并做出更好的临床决策;

  • 通过自动化临床程序来提高医生的工作效率,节省医生在计算机前的工作时间;

  • 通过向经验丰富的医生学习,经验不足的医生可以借此获得更多专业知识,减少医疗差距,这也是AI在医学中最有影响力的应用。

AI在放疗中的应用

AI在肿瘤放疗中的应用几乎可以贯穿放疗全程,包括:

  • 结合临床表现、基因学和影像检查结果以帮助精确诊断;

  • 帮助减少患者的辐射暴露,增强图像质量,抑制伪像并实现更准确的图像注册(image registration);

  • 自动分割肿瘤和器官,进行最佳照射剂量预测,有望简化计划过程;

  • 有助于加快QA流程并发现罕见的错误事件,尤其是对于高度复杂的肿瘤治疗;

  • 增强图像引导、运动管理和治疗排期,有望提高临床效率并改善患者治疗结局;

  • 准确预测肿瘤治疗反应、放疗诱导的毒性反应和其他不良反应,提供实时、有效的临床决策支持。

AI在离子治疗中的应用
1
治疗计划和ART再计划
  • 双能CT或锥形束CT阻止本领比的映射(Stopping power ratio mapping from DECT or CBCT);
  • 基于MR治疗计划的MR-CT转换(MR-CT conversion for MR-based treatment planning);
  • 基于CBCT的ART再计划的CBCT-CT转换(CBCT-CT conversion for CBCT-based ART re-planning);
  • 基于深度学习的质子剂量计算(Deep-learning based proton dose calculation)。
2
射程和剂量验证
  • 正电子活性分布(Positron activity distribution);
  • 瞬发伽马图像(Prompt gamma image);
  • 二次电子轫致辐射X射线图像(Secondary electron bremsstrahlung X-ray image);
  • 声学信号(Acoustic signals);

  • 水的光学图像(Luminescence image of water)。
3
特定患者的QA
  • MU预测(Monitor Unit prediction)。

目前,已有多个研究团队发表了AI在离子治疗领域中的研究成果。

Emory大学发表的AI在质子治疗计划方面的研究成果

武汉大学发表的AI在质子治疗射程验证方面的研究成果

华盛顿大学和俄克拉荷马大学发表的AI在质子治疗MU预测方面的研究成果

将AI模型应用到临床实践
1
AI在临床实践中的应用

Dr. Steve Jiang表示,AI解决方案应是作为一个包含人员、流程和技术在内的系统进行设计和应用,而不单单只是一组机器学习(ML)模型。在医疗系统实现人工智能化,应将AI作为医疗系统的一部分,利用AI为解决特定问题提供最佳方法。另外,对AI解决方案的评估不应仅仅局限于是否在临床诊疗过程或结果中达到了预期目标,还需评估方案实施的好坏。

2
AI临床应用的障碍

目前,临床应用AI的障碍主要表现在以下几个方面:

  • 数据集的大小,即有限的数据集限制了AI深度学习;

  • 横向数据异构性,即你的AI模型可能不适用于其他人;

  • 缺乏事实依据,即在许多情况下,医学仍是一门艺术;

  • 模型偏差;

  • 纵向数据变化,即模型的性能会随着时间的推移而下降;

  • 临床数据质量,即并不是所有的临床数据都是高质量的;

  • 数据管理,即临床资料的整理是非常昂贵的;

  • 模型的可解释性,即医学领域的AI要求模型具备可解释性;

  • 模型的鲁棒性。

3
AI临床应用的挑战:数据异质性
挑战1

对于不同的机构、机器、扫描仪、临床医生等,潜在的空间分布可能会有所不同;包含数据集A的模型可能对数据集B的效果不佳。需要注意的是,用于训练AI的数据并非总是越多效果越好。

英国的研究人员开展的机器学习的数据价值评估显示,收集的数据并非越多越好


挑战2

Dr. Steve Jiang表示,很多人在使用自己收集的数据训练和测试模型,而不考虑模型应用的普适性。我们正在推广的是,使用自己收集的数据训练模型,并使用其他数据进行测试,证明模型的可行性。难点在于如何有效、充分地证明模型的普适性和模型的通用性(适合任何人随时随地使用)。

发表于Nature杂志的研究发现,将英国数据集上(25,856名女性,AUC 0.889)训练的模型,在美国数据集上(3,097名女性,AUC 0.810)进行测试,模型的表现优于6位放射科医生,研究人员表示,“我们提供了证据证明,该模型可以从英国推广到美国进行应用。”

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

解决方案

针对目前AI临床应用的挑战,Dr. Steve Jiang认为解决方案是:用收集的数据训练模型,将模型实施应用时,应使用小部分终端用户的本地数据集进行自动迁移学习。另外,应针对不同用户进行模型调试,生成不同型号的模型。(质子中国 编译报道)

PTCOG2020线上会议系列报道
PTCOG2020线上会议开幕,发布最新全球离子治疗数据
PTCOG2020线上会议将于9月13~14日举行,现已开放网上注册并公布会议日程
(0)

相关推荐