北京哪里治疗白癜风较好 http://pf.39.net/bdfyy/本文原载：中国放射肿瘤学杂志年6月第28卷第6期[摘要]人工智能在包括医学的多个行业内已取得越来越多的进展，在放疗领域，如自动勾画靶区、制定放疗计划、预测放疗毒性及预后等诸多方面，人工智能都已在不同程度上得到应用。本文就人工智能在肿瘤放疗领域的应用进行综述。人工智能（artificialintelligence,AI）这一概念源于计算机科学之父阿兰·图灵年提出的“图灵测试”，并在年的达特茅斯会议上正式确立，这一年被称为人工智能元年。之后人工智能的研究与发展迎来了数度的繁荣与低谷，直到年Hinton等采用基于大数据、超级计算能力的深度学习的成功，人们对人工智能的研究产生了认识上的突破，从此进入了高速发展的第三次浪潮。从年IBM开发的“深蓝”击败国际象棋世界冠军卡斯帕罗夫，到年Watson人工智能系统在智力竞赛中战胜人类冠军，再到、年AlphaGo先后击败两位围棋世界冠军，人工智能从开始的博弈能力，到具备语音、文字识别能力，再到拥有决策和反馈能力，在互联网、金融、教育、医疗等各行业取得了越来越多的进展，彻底走进了公众视野。在我国，年3月人工智能这一表述首次出现在国务院《政府工作报告》中，同年７月国务院印发《新一代人工智能发展规划》，将人工智能上升到了国家战略层面，提出“三步走”战略目标，要举全国之力在年中国智能产业竞争力达到国际领先水平，而建立智能医疗体系就是建设智能社会的重要任务之一。医疗从来都是人工智能的重要应用领域，同时，社会老龄化、医疗资源分布不均、地域医疗水平差异等问题都在一定程度上刺激了智能化、信息化技术的发展，进而推动医疗产业的变革升级。一、人工智能在医学领域的应用概述目前人工智能在医学中的应用主要集中在智能影像识别，医疗机器人，新药研发，智能诊疗，健康管理和文献分析等方面。在20世纪70年代初期，由斯坦福大学开发的MYCIN系统就是AI在智能诊疗方面最早应用的著名案例。该专家系统可对患者的感染源进行判断并给出用药处方，治疗方案的可接受度达69％。而我国从80年代开始，也相继开发了一批以经验为主的中医专家系统，可在一定程度上“辨证”并提出合理的中医诊断。随着机器深度学习取得突破，基于类人脑研究的人工神经网络（artificialneuralnetwork，ANN）在智能化医疗中的应用成为最具代表性的事件。在年由生物医学影像国际研讨会（internationalsymposiumonbiomedicalimaging，ISBI）举办的挑战赛上，冠军模型是利用了一个27层的深度卷积神经网络（deepconvolutionalneuralnetwork，DCNN），其预测结果和病理学家诊断结果进行结合，可将病理学家的AUC准确率提升至0.，减少了将近85％的人为错误。Google的研究者通过用张视网膜图像训练的DCNN，检测糖尿病视网膜病变具有高灵敏度和特异性，并且这种算法的性能优于筛选出来的检测准确率较高医生的平均水平。同样，来自斯坦福大学的多学科团队利用个临床图像训练了DCNN，经测试它对皮肤癌和恶性黑色素瘤的识别达到了经认定的皮肤科专家水平，这一研究成果发表在年初的Nature杂志上。理论上，数据量越大，训练的算法会越准确，但对于罕见病，如先天性白内障在我国的发病率仅占0.5％，有学者利用不足千例的数据训练深度卷积神经网络，在先天性白内障的诊断上也获得了高达98％的准确率，而且即便是质量较差的网络图片，准确率也可达92.45％。二、人工智能在肿瘤放疗中的应用１．深度学习与自动靶区勾画：在自动勾画危及器官（organatrisk，OAR）方面，目前临床应用较广的是基于图谱库的自动分割技术，其本质上是通过形态特征对目标图像和模版图像进行配准的运算，也就是在图谱库中搜索最近似形状的过程，但如果模版图像OAR的形状差异大、体积过小或自动勾画的形变算法选择不合适，均会影响到配准精度。深度学习的关键优势是通过对训练样本中泛化特征的学习，自动提取标签化的特征，从而识别新的场景。随着近年深度学习在医学影像方面取得的瞩目成绩，有学者利用支持向量机（supportvectormachine，SVM）的算法在脑瘤的MRI影像上对脑干成功实现自动分割，随后又采用另一种深度学习算法对视神经、视交叉、垂体和垂体柄等微小器官进行自动分割，相似性系数达到76％～83％。年斯坦福大学的一项研究首次利用卷积神经网络（convolutionalneuralnetwork，CNN）模型对头颈部OAR进行自动分割，其利用一个由50幅头颈部3DCT图像训练的CNN，在对脊髓、下颌骨、咽部、喉部、眼球和视神经等器官的自动分割上，比当前最好技术更优或者相当，但对于如腮腺、颌下腺和视交叉等在CT图像上边界不易辨认的器官，勾画的结果不够理想。下一步作者将试图联合CT与MRI共同构建训练数据库。与OAR不同，由于亚临床病灶的存在，肿瘤在影像学上通常难以确定一个明确的边界，这给临床靶体积（clinicaltargetvolume，CTV）的自动分割带来了困难。我国学者Men等采用了一种新的称为深度扩张卷积神经网络的模型，尝试对例直肠癌患者的CTV和OAR进行自动分割，其结果准确而且高效：CTV相似性系数达到87.7％，膀胱、双侧股骨头的相似性系数均达90％以上；而小肠和结肠的勾画不够准确，相似性系数分别为65.3％和61.8％，有可能它们都是含气的空腔脏器有关；仅用45s即可完成每个病例所有CTV和OAR的自动分割，而且准确性不受患者的体型的大小、轮廓的影响，极大的提高了靶区勾画的一致性和工作效率。在近期的一项研究中，作者利用模糊c-均值聚类（fuzzyc-meansalgorithm,FCM）、ANN和SVM算法分别对实性、毛玻璃样和混合性肺癌病灶大体肿瘤体积进行自动分割，通过对比后认为FCM模型结果更为准确和高效，能够可靠的应用于立体定向放疗（stereotacticbodyradiationtherapy，SBRT）计划系统。２．基于大数据和人工智能的放疗计划系统：近年来，随着并行计算和云计算技术在信息产业的主流化，基于高效计算技术的大数据挖掘平台与机器学习的结合，为智能医疗提供了新的发展机遇。专家系统是人工智能研究领域的一个重要分支，以基于知识的放疗计划系统（knowledgebasedradiationtherapy，KBRT）为代表。目前已有商业化模块可以进行自动或半自动计划设计，如Eclipse计划系统的Rapid-Plan，其核心是对既往优质计划的大数据进行特征萃取，通过剂量体积直方图（dosevolumehistograms，DVH）预测模型预测符合当前患者的可能的最优DVH范围，并根据每个患者的不同解剖特点，自动优化放疗计划。现已有应用于头颈部肿瘤、肺癌、肝癌、前列腺癌等的报道，靶区剂量均匀性、OAR受量和效率均优于传统人工优化计划。但由于DVH预测模型的局限性，优化后计划中仍有可能在靶区与OAR重叠的区域出现剂量“热点”，其根本原因是DVH忽略了剂量分布的三维空间信息。因此，Moore等于年首次提出了基于大数据训练ANN的三维剂量预测模型，通过一系列空间和剂量的特征参数对ANN进行训练，可比DVH预测模型更为显著的提高计划的准确性，而且通过优化可进一步降低OAR的受量，而不牺牲计划的质量。目前该模型尚处于临床前研究阶段，但通过扩大训练数据库提升计划系统的精度，有望称为下一代智能放疗计划系统的关键技术。此外，Valdes等从临床角度出发，利用临床决策支持系统（clinicaldecisionsupportsystems，CDS）帮助放疗医师进行OAR的剂量取舍，研究者利用数据库中多例肺癌患者的SBRT计划、头颈部肿瘤患者的IMRT或IMPT计划，通过算法提取影像学信息、病历资料、治疗目的、放疗模式和分割方案等特征，并进行数据分类、推理，为医生在患者OAR的剂量如何取舍方面给出了较为可靠的参考，制定更为个体化的放疗策略。模拟定位对于放疗计划是至关重要的环节之一，但机器学习的应用研究较少，仅有的数据也只是局限在利用算法预测器官、肿瘤动度等方面，但无一例外的均实现了活动度的精确预测。而在放疗计划质控环节，机器学习在实时预测加速器性能、自动检测加速器成像系统、预测多叶光栅位置误差等多方面均显示出了巨大优势，更有利于及时发现问题，保证患者治疗的顺利。截止年初的数据，我国放疗设备分布的区域差异明显，基层放疗发展不足。这样一种基于大数据和人工智能的放疗计划系统，对于实现个体化治疗，合理分配医疗资源有着重要的价值，医院医院共享的高质量计划的KBRT模型，优化其患者个体化计划质量，医院之间放疗计划的质量差异，最终使患者获益。３．放射基因组学预测放疗晚期不良反应：在疗效和并发症之间取得最佳平衡是放疗医生重点
转载请注明：http://www.ynyunyun.com/smhn/5897.html
当前位置： 视网膜病变能治好吗 > 视网膜黄斑病变 > 人工智能肿瘤放疗的机遇与挑战
