北京時(shí)間9月14日晚9點(diǎn)，PTCOG2020線上會(huì)議期間，得克薩斯大學(xué)西南醫(yī)學(xué)中心終身教授、Barbara Crittenden癌癥研究教授、醫(yī)學(xué)人工智能與自動(dòng)化(MAIA)實(shí)驗(yàn)室主任、放射腫瘤學(xué)系副主任Dr. Steve Jiang做了題為《人工智能(AI)在離子治療中的應(yīng)用》的演講。質(zhì)子中國(guó)將演講內(nèi)容整理后與大家分享。
Dr. Steve Jiang認(rèn)為，AI是使機(jī)器能夠從人類(lèi)既往的經(jīng)驗(yàn)/數(shù)據(jù)中學(xué)習(xí)，適應(yīng)新的輸入并執(zhí)行類(lèi)似人類(lèi)的任務(wù)。具有以下三大特點(diǎn)：
從人類(lèi)既往的經(jīng)驗(yàn)/數(shù)據(jù)中學(xué)習(xí)；
通過(guò)與環(huán)境相互作用進(jìn)行持續(xù)學(xué)習(xí)；
更好、更快、更便宜地執(zhí)行人類(lèi)的任務(wù)。
目前，Dr. Steve Jiang所領(lǐng)導(dǎo)的MAIA團(tuán)隊(duì)，正從以下三個(gè)方面進(jìn)行創(chuàng)新、開(kāi)發(fā)和應(yīng)用AI技術(shù)，以提高臨床醫(yī)生的診療水平，尤其是經(jīng)驗(yàn)較少或資源有限的臨床醫(yī)生，進(jìn)而改善患者治療效果：
通過(guò)從患者數(shù)據(jù)/圖像中檢索隱藏信息來(lái)提高診斷的精確性，并做出更好的臨床決策；
通過(guò)自動(dòng)化臨床程序來(lái)提高醫(yī)生的工作效率，節(jié)省醫(yī)生在計(jì)算機(jī)前的工作時(shí)間；
通過(guò)向經(jīng)驗(yàn)豐富的醫(yī)生學(xué)習(xí)，經(jīng)驗(yàn)不足的醫(yī)生可以借此獲得更多專(zhuān)業(yè)知識(shí)，減少醫(yī)療差距，這也是AI在醫(yī)學(xué)中最有影響力的應(yīng)用。
AI在腫瘤放療中的應(yīng)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(qiáng)圖像質(zhì)量，抑制偽像并實(shí)現(xiàn)更準(zhǔn)確的圖像注冊(cè)(image registration)；
自動(dòng)分割腫瘤和器官，進(jìn)行最佳照射劑量預(yù)測(cè)，有望簡(jiǎn)化計(jì)劃過(guò)程；
有助于加快QA流程并發(fā)現(xiàn)罕見(jiàn)的錯(cuò)誤事件，尤其是對(duì)于高度復(fù)雜的腫瘤治療；
增強(qiáng)圖像引導(dǎo)、運(yùn)動(dòng)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(zhǔn)確預(yù)測(cè)腫瘤治療反應(yīng)、放療誘導(dǎo)的毒性反應(yīng)和其他不良反應(yīng)，提供實(shí)時(shí)、有效的臨床決策支持。
聲學(xué)信號(hào)(Acoustic signals)；
MU預(yù)測(cè)(Monitor Unit prediction)。
Emory大學(xué)發(fā)表的AI在質(zhì)子治療計(jì)劃方面的研究成果
武漢大學(xué)發(fā)表的AI在質(zhì)子治療射程驗(yàn)證方面的研究成果
華盛頓大學(xué)和俄克拉荷馬大學(xué)發(fā)表的AI在質(zhì)子治療MU預(yù)測(cè)方面的研究成果
Dr. Steve Jiang表示，AI解決方案應(yīng)是作為一個(gè)包含人員、流程和技術(shù)在內(nèi)的系統(tǒng)進(jìn)行設(shè)計(jì)和應(yīng)用，而不單單只是一組機(jī)器學(xué)習(xí)(ML)模型。在醫(yī)療系統(tǒng)實(shí)現(xiàn)人工智能化，應(yīng)將AI作為醫(yī)療系統(tǒng)的一部分，利用AI為解決特定問(wèn)題提供最佳方法。另外，對(duì)AI解決方案的評(píng)估不應(yīng)僅僅局限于是否在臨床診療過(guò)程或結(jié)果中達(dá)到了預(yù)期目標(biāo)，還需評(píng)估方案實(shí)施的好壞。
目前，臨床應(yīng)用AI的障礙主要表現(xiàn)在以下幾個(gè)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(xué)習(xí)；
橫向數(shù)據(jù)異構(gòu)性，即你的AI模型可能不適用于其他人；
缺乏事實(shí)依據(jù)，即在許多情況下，醫(yī)學(xué)仍是一門(mén)藝術(shù)；
模型偏差；
縱向數(shù)據(jù)變化，即模型的性能會(huì)隨著時(shí)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(xué)領(lǐng)域的AI要求模型具備可解釋性；
模型的魯棒性。
對(duì)于不同的機(jī)構(gòu)、機(jī)器、掃描儀、臨床醫(yī)生等，潛在的空間分布可能會(huì)有所不同；包含數(shù)據(jù)集A的模型可能對(duì)數(shù)據(jù)集B的效果不佳。需要注意的是，用于訓(xùn)練AI的數(shù)據(jù)并非總是越多效果越好。
英國(guó)的研究人員開(kāi)展的機(jī)器學(xué)習(xí)的數(shù)據(jù)價(jià)值評(píng)估顯示，收集的數(shù)據(jù)并非越多越好
Dr. Steve Jiang表示，很多人在使用自己收集的數(shù)據(jù)訓(xùn)練和測(cè)試模型，而不考慮模型應(yīng)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(xùn)練模型，并使用其他數(shù)據(jù)進(jìn)行測(cè)試，證明模型的可行性。難點(diǎn)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(shí)隨地使用)。
發(fā)表于Nature雜志的研究發(fā)現(xiàn)，將英國(guó)數(shù)據(jù)集上(25,856名女性，AUC 0.889)訓(xùn)練的模型，在美國(guó)數(shù)據(jù)集上(3,097名女性，AUC 0.810)進(jìn)行測(cè)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(guó)推廣到美國(guó)進(jìn)行應(yīng)用?！?/span>
McKinney,Sieniek,Godbole, Godwin et al,Nature 577, 89–94(2020) (Google Health etc)
針對(duì)目前AI臨床應(yīng)用的挑戰(zhàn)，Dr. Steve Jiang認(rèn)為解決方案是：用收集的數(shù)據(jù)訓(xùn)練模型，將模型實(shí)施應(yīng)用時(shí)，應(yīng)使用小部分終端用戶的本地?cái)?shù)據(jù)集進(jìn)行自動(dòng)遷移學(xué)習(xí)。另外，應(yīng)針對(duì)不同用戶進(jìn)行模型調(diào)試，生成不同型號(hào)的模型。(質(zhì)子中國(guó) 編譯報(bào)道)
聯(lián)系客服
