近日，第三屆圖像計算與數(shù)字醫(yī)學國際研討會（ISICDM 2019），在西安索菲特酒店召開。研討會由國際數(shù)字醫(yī)學會與國家天元數(shù)學西北中心聯(lián)合主辦，西安電子科技大學數(shù)學與統(tǒng)計學院與空軍軍醫(yī)大學（第四軍醫(yī)大學）生物醫(yī)學工程學院聯(lián)合承辦。

雷鋒網(wǎng)&AI掘金志第三次作為大會首席合作媒體，全程參與ISICDM的報道。

在此次研討會的數(shù)字醫(yī)學與智能診療分會上，浙江大學醫(yī)學院附屬第一醫(yī)院的葉香華主任發(fā)表了題為《人工智能助力放療靶區(qū)與放療計劃——數(shù)學和醫(yī)學契合相融》的主題演講。

葉香華是浙江大學醫(yī)學院附屬第一醫(yī)院腫瘤放射治療科的副主任醫(yī)師，主要研究領(lǐng)域是胸部惡性腫瘤（肺癌、乳腺癌、食道癌）的放化療、智能精確放療研究以及放療相關(guān)性微生態(tài)研究。

在演講中，葉主任主要圍繞靶區(qū)自動勾畫和放療計劃系統(tǒng)，分享了多個人工智能如何與放療進行有機結(jié)合的案例。

葉主任表示，靶區(qū)的手工勾畫存在很多問題，放療科醫(yī)生每天50%的任務就是勾畫靶區(qū)，而這件事情做起來并不容易，“特別是一個鼻咽癌的患者，沒有花3到5個小時做出來的計劃，我們都拿不出手?！?/p>

雷鋒網(wǎng)了解到，腫瘤的解剖結(jié)構(gòu)很復雜，在勾畫靶區(qū)的同時還需要把周圍的危機器官勾畫出來。另外，醫(yī)生還需要根據(jù)解剖結(jié)構(gòu)形成空間想象的能力、提前預判病灶的轉(zhuǎn)移途徑。

因此，靶區(qū)勾畫非?？简炨t(yī)生的個人經(jīng)驗。葉主任認為，如果人工智能可以做到媲美人類的勾畫精度、實現(xiàn)危害器官和和正常器官的標準化制定，醫(yī)生的工作流程將會得到很大程度的改善。

此外，在制定放療計劃方面，葉主任也提出了自己的想法和需求。

傳統(tǒng)的方式里，物理學家會根據(jù)規(guī)定的治療方案和臨床劑量學原理模擬治療，明確放療方案，確定滿足臨床治療要求的定位參數(shù)，以確保重要器官不出現(xiàn)超量照射。但是現(xiàn)在用的大部分是基于經(jīng)驗的放療計劃，如果有AI介入的話，可以幫助提高計劃的精準度。

以下是葉香華主任的演講內(nèi)容，雷鋒網(wǎng)作了不改變原意的編輯

葉香華：我是來自浙江大學附屬第一醫(yī)院腫瘤放射治療科的醫(yī)生葉香華，歡迎各位理工科的朋友來到這次大會，我今天報告的題目是《人工智能助力放療靶區(qū)與放療計劃——數(shù)學和醫(yī)學契合相融》。

我們都知道，人工智能是計算機通過對已有知識的學習、積累經(jīng)驗，自動提高任務的處理性能。這就相當于人體的樹突和軸突，從樹突輸入信號到軸突輸出信號的一個過程。

人工智能的發(fā)展從上世紀50年代的圖靈測試開始，90年代出現(xiàn)最簡單的郵件分類，直到2010年時人工智能全面爆發(fā)，在各個領(lǐng)域上都有很多的應用出現(xiàn)。當然，醫(yī)學也是其中一個重要領(lǐng)域。

從放療科醫(yī)生的角度而言，我也會關(guān)注人工智能在放療領(lǐng)域的應用，放療領(lǐng)域的學習熱度也在逐年上升。從19世紀50、60年代零星的幾篇論文發(fā)展到現(xiàn)在的每年一千多篇。在理工科的角度來看，這樣的數(shù)量可能比較少。但是在放療這個領(lǐng)域，它的熱度還是非常高的，圍繞放療領(lǐng)域的前沿研究很多也都是基于人工智能來進行。

我今天主要講兩個方面的內(nèi)容：靶區(qū)自動勾畫和放療計劃系統(tǒng)，和大家探討一下人工智能如何與放療進行有機的結(jié)合。

首先我說一下手動勾畫存在的問題。

作為一個放療科醫(yī)生，我們每天50%的任務可能就是勾畫靶區(qū)，大家可能覺得勾畫靶區(qū)是件很簡單的事情，其實不是的?；颊叩囊环軨T有200多張圖像，我們要在每一張圖上把所有的病灶勾畫出來，把旁邊的危機器官勾畫出來，不能半點馬虎。

要細心地勾畫一個患者，特別是一個鼻咽癌的患者，沒有3到5個小時做出來的計劃，我自己都覺得拿不出手。就以鼻咽部為例，鼻咽部的解剖結(jié)構(gòu)特別復雜，初級醫(yī)生反復記憶五六遍可能都不夠，一兩年的時間才能非常的熟悉。

然后，我們要在各個切面上準確的找出來，并且根據(jù)解剖結(jié)構(gòu)形成空間的感覺，想象這個病灶的轉(zhuǎn)移途徑，它會往哪里長？有沒有侵犯旁邊的肌肉、侵犯到什么程度？

這需要我們有一個預判的能力，不是說看到病灶長在什么地方，就勾畫到什么地方。亞臨床灶的意思是指，病灶有可能往后面還會擴散到哪個地方，這些都是需要考慮到的。

因此，我們勾畫的時候就存在很多的問題，這非?？简炨t(yī)生的個人經(jīng)驗還有知識的累積。所以，我們的工作又費時又費力，我們開玩笑說，頸椎病可能是放療科醫(yī)生的標配。因為每天都是對著電腦，逐層地進行勾畫。

與此同時，有一些患者也不理解，自己做完定位之后為什么不能夠立即進行治療。然后，我跟他們解釋需要勾畫靶區(qū)、做計劃、做驗證一大堆后天工作，他們還是不完全理解。假如有了人工智能的助力，是不是可以把靶區(qū)勾畫的時間大大縮短？

另外，手動勾畫還存在的一個問題是：無法實現(xiàn)行業(yè)的標準化。醫(yī)生的個人經(jīng)驗不一致，注意力也是不一樣的。此前有一篇關(guān)于腸道息肉檢測的文章里提到，醫(yī)生上、下午檢測出來的腸息肉概率是不一樣的，注意力也是影響結(jié)果的一個重要因素。假如有了人工智能的助力，是不是這一些都會有所改善？

因此，我們放療科就衍生出了自動勾畫的需求。首先，要保證自動勾畫的效果和手動勾畫一樣準確，我說的是一樣準確。作為一個醫(yī)生，可能我的要求會比較高。我不認為相似系數(shù)達到70%左右就能夠達到臨床上的滿意度。我甚至覺得，相似度應該是90%、95%甚至99%。

為什么？因為如果給了我一個靶區(qū)初步勾畫的方案，這個結(jié)果只有70%的相似性，我需要重新修改它，修改的過程可能比我自己勾畫一個靶區(qū)的過程還要長，這就得不償失了。所以說，準確性是我們更為需要的東西。自動勾畫是一分鐘完成還是三小時完成，對我來說并不是那么重要，但是準確率尤為重要。

第二點需求是危機器官和正常器官的標準化制定。剛才我提到，同一個醫(yī)生在不同的時間或者是不同醫(yī)生勾畫出來的結(jié)果都是不一樣的。

雖然我們有RTOG、EORTC等規(guī)劃的標準，但是還是存在差距。假如有一個相對標準化的制定，可以提高放療的安全性，讓年輕的醫(yī)生得到均質(zhì)化的培訓和教育，實現(xiàn)具有統(tǒng)一評價性的、可比較的治療方案，這是我們需要的東西。

我們知道，傳統(tǒng)的自動分割技術(shù)是沒有先驗知識的。低級的分割方法，比如說強度閾值，還有區(qū)域增長，還有啟發(fā)式邊緣檢測等算法。這些低級分割方法，對于優(yōu)化技術(shù)來說不是特別好。所以，后面又出現(xiàn)了基于區(qū)域的分割技術(shù)，比如說活動輪廓、水平集還有分水嶺算法等等，這些可以達到形變的配準效果。

后來，由于統(tǒng)計學的高速發(fā)展，又出現(xiàn)了基于概率的分割技術(shù)，比如說高斯混合模型、聚類，K近鄰還有貝葉斯分類、淺層的人工神經(jīng)網(wǎng)絡等等。它的一個優(yōu)點在于，能夠在圖像中找到已知的像素點，但是由于缺少相鄰像素的參考，局部效果可能很不錯，但是缺乏全局性。

還有基于單一圖譜的分割技術(shù)，這些都是比較早的分割技術(shù)。

我們現(xiàn)在用的比較多的是OAR，基于圖譜庫的自動分割技術(shù)，然后還有隨機森林模型或者是多模態(tài)的分割技術(shù)，也可以增強圖譜式的分割技術(shù)精度。

但是無論怎么樣，圖譜式是基于前面的圖譜來尋找靶區(qū)，假如形狀變化特別大、體積特別小，或者是算法選擇錯誤的話，都會影響配準的精度。

那么，多圖譜分割就是在圖譜式分割的基礎(chǔ)上，在個體形狀差異大的情況下，提高配準的效率和魯棒性，特別是在頭頸部、心臟和臂叢神經(jīng)上應用會比較多。

為什么會常用在頭頸部的病灶組織？因為頭頸部的結(jié)構(gòu)雖然比較復雜，但是其骨性標志物相對固定，活動度也不像胸部和腹部那么大。所以，用圖譜式的分割方式所獲得的OAR分割，臨床應用效果還是比較好的，但是用于胸部和腹部就相對會差一點。

此外，還有學者提出利用一種聯(lián)合強度建模的多圖譜分割方法，在晶體、腦干、脊髓方面的分割效果看起來也不錯。

再具體看一下，AB加上IM的聯(lián)合強度建模的效果最好，在眼球還有晶狀體的視神經(jīng)、頭部等方面的表現(xiàn)也都不錯，但是在甲狀腺方面還是有一定的差距，可能因為相比較于眼球、腦干的圖譜庫，甲狀腺的個體差異比較大。

到了現(xiàn)在，我們可以通過對訓練樣本泛化特征的學習，自動提取標簽化的特征來識別新的場景。CNN網(wǎng)絡通過多層卷積操作，可以從底層到高層逐層抽取出圖像特征，通過給定的標注來進行迭代的學習，對自動抽取的特征進行像素級別的分類，從而實現(xiàn)對醫(yī)學影像的目標分割。

有學者在此基礎(chǔ)上，用了支持向量機的方式，對磁共振圖像里的腦干進行了分割。

從這個圖中，我們看到第二個是人工分割的結(jié)果，前后幾個是機器的分割，我們看到絕對體積差基本上是差不多的，但平均分割時間差距很大。

紅色是人工智能畫的靶區(qū)，好像還不錯，因為相對來說腦干也簡單一點。

我覺得在訓練時間上，SVM確實非常有優(yōu)勢，然后也比較了Atlas-based的一些方法，SVM具有相對快速的時間，只有36.6s。

還有一些學者引用了基于增強特征的一些SDAE的方法，對于視神經(jīng)、視交叉，還有垂體、垂體柄、腦干等等頭頸部的病灶來進行分割，相似系度也能達到76%-83%，分割時間也是比前面講的SVM還快很多，靈敏度和特異性都是非常不錯的。

具體看一下右側(cè)的視神經(jīng)、垂體和視交叉的一個對比。綠色部分是我們自己手工勾畫的，紅色部分跟綠色的區(qū)別不大。但是細看起來，頂部勾畫起來相對還好，到了底部還是有一些中斷。這個可能是因為頂部視神經(jīng)的信號差異比較大，勾畫起來也會比較方便。

還有用CNN還有LSTM和集成模型，根據(jù)融合特征和分類器，做的頭顱左側(cè)膠質(zhì)瘤的分割。

我們可以看到，三者對于膠質(zhì)瘤的分割效果還是比較不錯的，相似系數(shù)也達到了0.8左右。

這是2017年的時候，斯坦福大學的邢磊教授利用CNN對于頭頸部腫瘤進行OAR勾畫的文章。

他利用了50幅頭頸部3D-CT圖像，然后對它進行卷積神經(jīng)網(wǎng)絡的勾畫。我們可以看一下結(jié)果，用的比較好是在脊髓、下頜骨、咽部、喉部還有眼睛、視神經(jīng)等等，但是比較差的是腮腺和視神經(jīng)等部位。

究其原因，還是因為CT圖像上，腮腺還有視交叉的變異程度比較大，CT的邊界也不是很清楚。所以像脊髓、下頜骨、骨頭這些骨性標志來說，做起來的效果會比較好。

前面講的都是關(guān)于OAR危機器官。我們知道危機器官比較固定，勾畫起來相對簡單一點?，F(xiàn)在有一些國內(nèi)外的公司也陸續(xù)有一些軟件產(chǎn)品出現(xiàn)，那么對于一個CTV和GTV的自動勾畫卻是比較困難的。為什么？我剛才也說了，腫瘤的解剖結(jié)構(gòu)非常復雜，邊界也比較難以確定，那么臨床更是一樣的，亞臨床的病灶需要醫(yī)生用自己的知識去判斷，那么邊界就更難確定了。

這篇文章運用了一個FCM：模糊C均值聚類，還有ANN、SVM比較了三個實性肺結(jié)節(jié)，還有混合結(jié)節(jié)等，我們可以看到FCM可以達到相對較好的效果，紅色部分是手工勾畫的，綠色的是FCM勾畫出來的。他們的擬合度還是很不錯的。對于實性結(jié)節(jié)而言，ANN/SVM的勾畫效果都還好，但是對于磨玻璃結(jié)節(jié)的勾畫差異就比較大了。

深度學習也用于NPC鼻咽癌的勾畫。這是2019年深圳大學發(fā)表的一篇文章，我們可以看到關(guān)于NPC的勾畫，中間這一塊就是高信號的鼻咽部的病灶，從小體積到大體積、從上一直到下給出了勾畫的結(jié)果。

我們可以看到A、B、C、D里第四幅圖的相似精確度是最高的。對于這種肉眼比較明確的部位，勾畫起來的效果也會稍微好一些。

還有學者用深度擴張的DDCNN網(wǎng)絡，對218例的直腸癌患者進行CTV的勾畫，以及旁邊的一些危機器官，比如膀胱、直腸，還有雙側(cè)股骨頭的勾畫。我們可以看到CTV的勾畫相似系數(shù)達到87.7%，然后膀胱和雙側(cè)股骨頭的勾畫效果還不錯，達到90%。

但是小腸和結(jié)腸的相似系數(shù)就比較少，因為它們都是空腔臟器，可能跟寒氣有關(guān)系，但是勾畫時間肯定很快，也不受體型和輪廓等等的影響。

目前所用的勾畫軟件，比如說ABAS、Mim、Velocity等等也慢慢地運用于我們的工作場景。

這是我們科室做的一些勾畫實例。我們可以看看評估的一些指數(shù)，包括Dice系數(shù)、敏感性指數(shù)、包容性指數(shù)等三個指數(shù)。

從勾畫的結(jié)果來看，無論是肺還是心臟、食管、氣管，結(jié)果都還不錯，除了食管這一塊稍微低一點。這是我們根據(jù)200例的圖像做出來的自動勾畫結(jié)果。雖然有一些地方確實不盡滿意，但是總體而言，還是把我們大部分的東西給勾畫出來了。

具體看一下肺里面的勾畫。

我們看一下相似系度可以達到0.97，紅色的部分是我們自己勾畫的，綠色是機器勾畫的。

氣管勾畫的相似系數(shù)達到了0.81。

食管的相似系數(shù)是0.8，我倒不覺得這個結(jié)果很差。因為食管的規(guī)劃起還是有一定難度的，食管的變化特別大，每個人的食管都不太一樣，每個部位的走形都完全不一樣，可能里面哪個部位還有空腔，變化比較大，食管的勾畫相對其他部位來說確實比較困難。 

還有一個心臟的勾畫。我們可以看到，心臟的智能勾畫比醫(yī)生勾畫的范圍要大一些。不管怎么樣，智能勾畫所依賴、所學習的數(shù)據(jù)種類都是可以提供一個標準化的勾畫。我覺得，收集更多異常的病例，然后進行訓練，可以增加對圖像優(yōu)化處理的能力。

還有就是一些細小的問題，比如說肺勾畫的不完整，到了中間的一小部分就不延伸進去了。

以及邊緣的一些細小的豁口，或者是個別病例與氣管重疊，比如說氣管跟肺，邊界區(qū)別不是很明確，AI算法直接把器官當做一個肺部組織勾畫進去了，這些都需要進行優(yōu)化。

然后，像多模型聯(lián)合分割也能夠比較好的解決以食管勾畫假陰、假陽性的問題。

所以總結(jié)一下，智能勾畫需要持續(xù)地優(yōu)化改進。但是不管怎么樣，智能勾畫的速度快、效率高，確實節(jié)省了醫(yī)生的重復勞動時間，幫我們把前面這些工作都做好，讓我們有更多的時間去思考個體化的勾畫途徑。

而且，智能勾畫可以根據(jù)指南降低差異性，便于質(zhì)控。AI勾畫也更穩(wěn)定，在任何時間都可以減少放療的周期，縮短治療的療程。

我再講一下第二個部分——人工智能助力放療計劃系統(tǒng)。

在TPS上，物理學家根據(jù)規(guī)定的治療方案和臨床劑量學原理模擬治療，明確放療方案，確定滿足臨床治療要求的定位參數(shù)。以確保重要器官不出現(xiàn)超量照射。這些參數(shù)包括：照射野數(shù)量、分布、角度、各個野分配權(quán)重、單次照射劑量、總的照射劑量、各個靶區(qū)及危及器官的劑量及限制劑量等多項重要參數(shù)。

所以，在上面的這些過程中，自動化的需求也是非常大的?，F(xiàn)在用的大部分是基于KBRT的方法，這是一種基于經(jīng)驗的放療計劃，或者是PB-AIO、MOC的方法，以及基于人工智能的方法。

一般來說，比較具有代表性的就是KBRT的方法。我們可以看到在優(yōu)化前和優(yōu)化后，左側(cè)股骨頭確實是效果會很好。

然后，也可以根據(jù)前面的膀胱、后面的直腸來進行解剖結(jié)構(gòu)的優(yōu)化。

所以我們可以看到，人工和智能的曲線擬合還是非常好的。

這些方法可以運用于頭頸部的腫瘤或者是肺癌。我們可以看到肺癌的DVH圖，還有心臟、肺、直腸的劑量明顯降低。

這是應用于肝臟的情況，低劑量區(qū)明顯收回來了。比如說，我們要保證1/3肝臟不受任何一點照射，我們可能要犧牲脊髓的一點量。但是經(jīng)過優(yōu)化之后，脊髓的照射量也明顯降低。

不管怎么樣，DVH的預測模型優(yōu)化后，仍然存在一個overlap的劑量熱點，根本原因是DVT忽略了劑量分布的三維空間信息。

因此，也有學者研究了基于大數(shù)據(jù)訓練的三維預測模型，通過一系列的空間和劑量特征參數(shù)對數(shù)據(jù)進行訓練，提高計劃系統(tǒng)的精度，在保持處方劑量不變的同時，盡量降低OAR的劑量。

Valdes的這個研究也是基于臨床的考慮，利用一個臨床決策系統(tǒng)對OAR進行劑量的取舍。

利用我們原有的放療計劃庫，比如說調(diào)強、三維或者是人工智能的計劃庫，然后提取其他臨床所需要的影像知識病例、治療目的、放療模式等等各個方面，進行數(shù)據(jù)的分類推理，可以制定更為合理的策略。

我們可以看到肺結(jié)節(jié)的SBRT影像，針對心臟和胸壁之間的劑量問題，給出了OAR的劑量趨勢。那么我們臨床醫(yī)生就可以根據(jù)患者的情況，選擇對患者最合適的角度。

其實這也是我們平時在做的工作，但是假如有AI介入的話就會精確很多。

最后，講一下展望。

未來，放療和AI肯定是不可分割的，大數(shù)據(jù)、AI、云計算構(gòu)成了放療的三駕馬車。

除了我剛才講的靶區(qū)規(guī)劃和放療計劃的制定，放療領(lǐng)域需要AI幫助的地方還有很多，比如說模擬定位，如何把CT、核磁共振和我們的治療進行精準的匹配，還有預測器官和腫瘤的動度，比如胸部的呼吸、腸道蠕動。

另外，還有預測加速器性能和自動檢測加速器成像系統(tǒng)以及多葉光柵位置的誤差。我們現(xiàn)在的放療云平臺也很火爆，一些廠商都在這個部分投入，然后還有預測腫瘤放療后的不良反應。

靶區(qū)自動勾畫也有一些局限性，最主要的還是我們?nèi)绾文軌颢@取高質(zhì)量分割數(shù)據(jù)集的問題：分割數(shù)據(jù)集是否合理，質(zhì)量是否高？

就像前面一位老師講的，給人工智能55000首詩進行學習，還有給人工智能300首精品唐詩進行學習，你覺得哪一種學出來的效果好？

他說，肯定是300首唐詩學得好，因為這些是通過高質(zhì)量篩選出來的。所謂近朱者赤、名師出高徒就是這么一個道理。

因此，我們可以通過采用國際共識來規(guī)范手動勾畫，盡量避免圖像采集的差異性以及靶區(qū)勾畫的局限性。

無論怎么樣，人工智能對于醫(yī)生、患者、其他學科來說，都是非常有好處的。非常感謝大家的聆聽。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。