人工智能在惡性腫瘤放療領域中的應用與前景

沈天樂 杜向慧

1992年，國際商業機器公司（IBM）制造的“深藍”計算機戰勝了俄羅斯國際象棋世界冠軍卡斯帕羅夫。2016年，谷歌公司的AlphaGo機器人用1周時間與世界圍棋頂級棋手李世石激戰5場，以4∶1的絕對優勢取勝。有人預測，幾十年后人工智能（artificialintelligence，AI）將在醫療、保健、農業、教育、金融、服務、新聞、機械等行業發生革命性的進步。AI正在逐漸改變著傳統的醫療模式，在新藥研發、疾病診斷、健康管理、醫學影像、臨床決策、醫院管理、便攜設備、康復醫療、生物醫學等領域已有不少AI成功應用的案例[1]。本文將重點介紹AI在惡性腫瘤放療領域中的應用與前景。

1 AI的定義、發展概況

基因工程、納米科學、AI被稱為21世紀三大尖端技術。AI是研究如何在機器（計算機）上實現人類智能的一門學科，是計算機科學的一個分支[2]。計算能力的提高、算法研究的突破以及大量數據的積累，為AI在醫學中的應用奠定了基礎?！癆I”這個詞最早是約翰·麥卡錫1956年在達特矛斯會議上提出的，是指能模擬人類思考和判斷等智力工作的人造裝置。近年來，AI技術與應用呈飛速發展趨勢。2016年8月，IBM宣稱AI標志性產品WATSON在日本東京僅用10min的時間確診了1例60多歲的罕見白血病患者，并給出了治療方案。

AI分為弱AI、強AI及超級智能。弱AI只不過看起來像是智能，但并不真正擁有智能，也不會有自主意識，只是幫助人類完成某些任務的工具或助理。強AI是基于心智的計算模型，以通用數字計算機為載體的AI程序可以像人類一樣認知和思考，達到或超過人類智能水平。強AI分為兩類：（1）類似人的AI，即機器的思考和推理像人的思維一樣；（2）非類似人的AI，即機器與人有完全不一樣的知覺、意識及推理方式。超級智能是強AI的更高端版，英國牛津大學人類未來研究院的尼克·波斯特洛姆[3]認為超級智能幾乎能在所有領域遠遠超過人類。目前，主流科研集中在弱AI上，在這一研究領域已取得了可觀的成就，而強AI的研究仍在不斷探索中。

2006年以來，AI在語音識別、圖像識別及自然語言處理方面取得了很大進展。微軟亞洲研究院運用深度神經網絡開發了全自動同聲傳譯系統；2012年，Yann LeCun運用卷積神經網絡在ImageNet圖像識別大賽中取得了最好成績[4]；2015年，美國伊利諾伊大學研究小組將一些世界上最好的AI系統與人類智商進行比較，試驗表明AI的智力已達到4歲兒童水平。麻省理工大學研究人員開發的AI系統Concept Net也與人類智商進行比較，結果發現AI系統在詞匯和相似性方面占有絕對優勢，但在推理和理解方面則差強人意。目前，人們與智能手機近半數的交互都通過蘋果Siri、微軟Cortana和谷歌Google Now等語音助手完成。有專家認為，AI在學習能力和自然語言能力上的不斷提升會導致它們在今后幾年里擁有與人類一樣的思維，隨著AI的快速發展，人類的很多職業將面臨巨大挑戰，未來職業變遷速度也會加快。

2017年1月，美國FDA首次批準了一款心臟核磁共振影像AI分析的軟件用于治療多種心血管疾病，包括先天性心臟病、主動脈或心臟瓣膜疾病等。2017年2月，AI在疾病診斷領域的應用更是兩度登上《自然》雜志：一是發現利用基于深度學習的圖片識別技術，AI診斷皮膚癌的準確率及靈敏度均達到甚至超過專業醫師水平；二是通過深度學習算法，AI在兒童自閉癥早期診斷上以88%的準確率完勝醫生50%的傳統行為問卷調查法。2017年3月，權威雜志《科學》刊登了中國陸軍軍醫大學的最新研究結果，利用AI在30s內可鑒定血型且準確率超過99.9%。AI正以超乎我們預想的速度飛快發展，并將相關研究推向高潮，讓AI真正落地醫院并為患者服務。2017年全國兩會首次將AI寫入政府工作報告，AI成為當下最炙手可熱的名詞及領域。

2 AI在惡性腫瘤放療中的應用與前景

按研究內容不同，AI可歸納為專家系統、智能機器人、計算機視覺及應用、計算機語音識別及處理、智能控制系統、圖像識別與理解、自然語音理解等幾個方面。AI之所以具有如此大的吸引力，不僅在于它取得的各項成就，更在于它的巨大發展潛力。智能計算機醫院管理系統、智能醫療診斷專家系統、智能手術機器人等AI技術已為醫療領域帶來了革命性變化。近年來，AI技術在惡性腫瘤放療領域中應用的問題也得到了放療學界前所未有的重視，許多國內外的大型公司、頂尖學者都在開展相關開發與研究。

2.1 惡性腫瘤放療靶區和危及器官智能化自動化勾畫 惡性腫瘤放療靶區和危及器官的勾畫占用了放療科醫生大量的時間和精力。每例腫瘤患者在CT模擬定位后，圖像平均在200張左右，醫生在勾畫的時候需要給每層圖像的腫瘤病灶、重要危及器官進行逐層勾畫標注。這個過程按照傳統的方法要耗費醫生3～5h。如果患者放療中復查，腫瘤大小或位置有了明顯變化，還需要對患者再次定位掃描后重新勾畫腫瘤靶區和危及器官。腫瘤靶區和危及器官的勾畫蘊含了腫瘤放療醫師的學識，在體現技術含量的同時也包含了大量的重復工作。目前腫瘤發病率和病死率都在逐年攀升，而放療人才和設備不足是普遍問題。在勾畫速度、準確性和適應性保障的前提下，如果能建立腫瘤靶區和危及器官勾畫自動化智能化模型，將能有效提高醫師工作效率。

當前市場上有多個是基于靶區庫（Atlas-based）的靶區自動勾畫產品。近期，谷歌聯手英國國家醫療服務體系（NHS）開發了一套AI靶區勾畫體系，通過機器學習，自動勾畫頭頸部腫瘤病灶。靶區智能勾畫有傳統的非先驗依賴性模式（主要依賴體素強度和/或圖像梯度）、先驗依賴性模式（Atlas based segmentation）、復合型智能靶區勾畫等3種模式。國內四川大學正在研發基于深度卷積神經網絡的靶區勾畫。腫瘤放療靶區和危及器官智能化、自動化勾畫步驟一般包括以下3個方面：（1）腫瘤多模態（式）影像重建、去噪、增強、配準、融合等預處理；（2）腫瘤影像特征自動提?。鹤詣拥貜念A處理后的 CT、錐形束 CT（CBCT）、MRI、正電子發射計算機斷層顯像（PET）和（或）超聲等多模態（式）腫瘤醫學圖像數據中提取1個或多個腫瘤影像組（紋理特征譜）信息[5]；（3）采用深度學習、機器學習、AI、區域生長、圖論（隨機游走）、幾何水平集和（或）統計理論方法，進行腫瘤放射治療靶區和危及器官的智能化、自動化勾畫[6]。目前Pinnacle等運用Atlas模板庫初步實現了感興趣區域（ROI）自動勾畫。輪廓的智能提取將是自動勾畫的發展方向。

2.2 建立AI化的放射治療計劃模型 AI是計算機學科的一個分支，對于繁重的重復勞動、計算及大量記憶來說，計算機比人腦更能勝任，且比人腦做得更快、更好。特別是在記憶量大的病歷資料、醫學文獻、教科書、臨床指南、藥物說明書、影像圖片、病理切片、腫瘤靶區和危及器官勾畫、放療計劃設計系統（TPS）等方面，AI機器人要更勝一籌[7]。醫生掌握這些知識，可能需要幾年甚至幾十年的時間，而且要堅持不斷地學習，而AI系統只需要輸入大量醫學信息和數據進行不斷更新就可以了。谷歌、谷歌大腦與Verily公司聯合開發了一款能用來診斷乳腺癌的AI，通過將病理切片處理成數碼圖像的方式，提供大量腫瘤組織和正常組織的病理切片供這款AI學習，與1位資深病理學家共同分析130張切片，病理學家用時30h，依然以73.3%的準確率敗給準確率達88.5%的AI[8]。在相同數量上，AI憑借高效率及高質量戰勝了人腦。目前常規放療計劃系統的自動化程度不高，人為的不確定性因素較多?；诿商乜_等高效劑量算法，應用深度機器學習，建立患者個體特性與劑量學特性的關聯模型，自動預測劑量學目標，并引導后續優化，實現放療計劃的自動設計，并以智能放療計劃系統功能模塊為基礎、計劃設計流程為依據，實現“云化”放療計劃系統[9]。瓦里安基于AI的放療計劃商用系統Rapid Plan將機器學習技術應用于放療計劃設計，效率明顯優于人工設計。瓦里安醫療系統的Eclipse治療計劃軟件在2017年9月的國際放療計劃大賽中獲取高分，實現了基于計劃數據庫和計劃劑量學預測模型的智能放療計劃設計。近年來，國內熱衷于這方面的研發，但尚處于起步階段。醫生個人技術水平的高低會導致放療計劃的優劣差異，通過AI可以彌補經驗欠缺醫師的不足，年輕醫生也可以從AI化的放療計劃系統中得到學習及提高。

2.3 建立基于互聯網+的放射治療遠程智能化質控系統 癌癥嚴重威脅著人類健康，2015年我國新確診癌癥患者已達429.2萬例。放射治療是癌癥的主要治療手段之一，約70%的腫瘤患者在病程不同階段需接受放療。腫瘤發病率和病死率逐年上升，而我國放療人才和設備嚴重不足、區域發展不平衡、各層級放療水平參差不齊、分級診療難以落實，這些因素均對我國的放射治療服務質量與模式提出了嚴峻的挑戰，如何盡快實現患者在本地接受高質量的放療是我國當前亟待解決的重大問題。許多國內的大型研究性醫院，具有人才、設備、技術、服務、數據等多方面的優勢，利用前沿技術，建立基于大數據與AI的、分層次、多功能的遠程放療服務體系和新模式，以遠程放療服務為中心、信息安全為保障，建立集人員培訓、遠程支持、自動質控于一體的放療平臺，建立互聯網+、云TPS的放療共享服務模式，建立TPS智能分析中心，組建放療服務團隊和運維團隊，制定規章制度及醫療質控體系，以滿足不同層級醫院應用需求是目前發展方向[10-11]。建立以云平臺為載體，研究型醫院為依托，基層醫院為服務對象的省-市-縣三級智能化、規范化的放射治療遠程質量控制體系，及時為基層醫院的放療科提供良好的放射治療計劃設計、實時治療驗證解決方案，建立人機結合的服務團隊，制定各種設備、不同層級醫院間的工作流程和規范，具有重要現實意義。

3 AI+放射治療的發展前景

AI是未來人類醫療的一個發展方向和趨勢，在醫療領域將來能否取代醫生，我們將拭目以待。但AI肯定能很好地輔佐醫生，緩解醫療的壓力，減輕醫生的工作量，提高醫療服務的質量，不斷促進醫學的進步與發展?；贏I自動放療相關的AI和大數據技術可以減少人工干預，能明顯提高放療效率。影像相關的配準、分割和劑量優化等技術是進行自動化放療的核心技術，高性能計算平臺是臨床大量開展AI自動化放療方法的設備保證，高質量和海量數據是提高AI能力的基礎，大數據+AI+云計算則構成了信息新時代的三駕馬車。多種前沿科學在這個平臺上能夠進行交叉融合，醫學同時也可以作為一個出口，承接多種前沿技術的轉化和應用。優質放療資源共享，提升基層醫療機構放療能力，眾多腫瘤患者一定能夠享有優質可及的放療服務。

AI的核心能力實際上是人類自身已擁有的能力，但與人類相比，最大優勢在于計算能力的高效，尤其在數據密集型、知識密集型、腦力勞動密集型行業領域。所以，AI對醫生并不是簡單的替代，而是幫助醫生從繁重的低技術勞動中解放出來，把精力和時間放在提升專業技能、為患者提供更好的服務上。

[1]孔祥溢,王任直．人工智能及在醫療領域的應用[J]．醫學信息學雜志,2016,37(11):1-5．

[2]張遠望．人工智能與應用[J]．中國科技縱橫,2015(20):22．

[3]尼克·波斯特洛姆．超級智能：路線圖、危險性與應對策略[M]．張體偉,張玉青,譯．北京:中信出版社,2015:120-200．

[4]陳自富．強人工智能和超級智能：技術合理性及其批判[J]．科學與管理,2016,36(5):25-33．

[5]Arridge SR,Schweige M．Image reconstruction in optical tomography[J]．Philosophical Transactions of the Royal Society of London,1997,29,352(1354):717-726．

[6]Morrison JJ,Hostetter J,Wang K,et al．Data-Driven Decision Support for Radiologists:Re-using the National Lung Screening Trial Dataset for Pulmonary Nodule Management[J]．J Digit Imaging,2015,28(1):18-23．

[7]Nwankwo O,Mekdash H,Wenz F,et al．Knowledge-based radiation therapy(KBRT)treatment planning versus planning by experts:validation of a KBRT algorithm for prostate cancer treat-ment planning[J]．Radiat Oncol,2015,10(1):111．

[8]Schubert C,Waletzko O,Weiss C,et al．Intercenter validation of a knowledge based model for automated planning of volumetric modulated arc therapy for prostate cancer．The experience of the German Rapid Plan Consortium[J]．PLoS One,2017,12(5):e0178034．

[9]Ibragimov B．Segmentation of organs-at-risks in head and neck CT images using convolutional neural networks[J]．Medical Physics,2017,44(2):547．

[10]Bibault JE,Giraud P,Burgun A．Big Data and machine learning in radiation oncology:State of the artand future prospects[J]．Cancer Letters,2016,382(1):110-117．

[11]Benedict SH,Hoffman K,Martel MK,et al．Overview of the American Society for Radiation Oncology-National Institutes of Health-American Association of Physicists in Medicine Workshop 2015:Exploring Opportunities for Radiation Oncology in the Era of Big Data[J]．Int J Radiat Oncol Biol Phys,2016,95(3):873-879．