人工智能在恶性肿瘤放疗领域中的应用与前景

沈天乐 杜向慧

1992年，国际商业机器公司（IBM）制造的“深蓝”计算机战胜了俄罗斯国际象棋世界冠军卡斯帕罗夫。2016年，谷歌公司的AlphaGo机器人用1周时间与世界围棋顶级棋手李世石激战5场，以4∶1的绝对优势取胜。有人预测，几十年后人工智能（artificialintelligence，AI）将在医疗、保健、农业、教育、金融、服务、新闻、机械等行业发生革命性的进步。AI正在逐渐改变着传统的医疗模式，在新药研发、疾病诊断、健康管理、医学影像、临床决策、医院管理、便携设备、康复医疗、生物医学等领域已有不少AI成功应用的案例[1]。本文将重点介绍AI在恶性肿瘤放疗领域中的应用与前景。

1 AI的定义、发展概况

基因工程、纳米科学、AI被称为21世纪三大尖端技术。AI是研究如何在机器（计算机）上实现人类智能的一门学科，是计算机科学的一个分支[2]。计算能力的提高、算法研究的突破以及大量数据的积累，为AI在医学中的应用奠定了基础。“AI”这个词最早是约翰·麦卡锡1956年在达特矛斯会议上提出的，是指能模拟人类思考和判断等智力工作的人造装置。近年来，AI技术与应用呈飞速发展趋势。2016年8月，IBM宣称AI标志性产品WATSON在日本东京仅用10min的时间确诊了1例60多岁的罕见白血病患者，并给出了治疗方案。

AI分为弱AI、强AI及超级智能。弱AI只不过看起来像是智能，但并不真正拥有智能，也不会有自主意识，只是帮助人类完成某些任务的工具或助理。强AI是基于心智的计算模型，以通用数字计算机为载体的AI程序可以像人类一样认知和思考，达到或超过人类智能水平。强AI分为两类：（1）类似人的AI，即机器的思考和推理像人的思维一样；（2）非类似人的AI，即机器与人有完全不一样的知觉、意识及推理方式。超级智能是强AI的更高端版，英国牛津大学人类未来研究院的尼克·波斯特洛姆[3]认为超级智能几乎能在所有领域远远超过人类。目前，主流科研集中在弱AI上，在这一研究领域已取得了可观的成就，而强AI的研究仍在不断探索中。

2006年以来，AI在语音识别、图像识别及自然语言处理方面取得了很大进展。微软亚洲研究院运用深度神经网络开发了全自动同声传译系统；2012年，Yann LeCun运用卷积神经网络在ImageNet图像识别大赛中取得了最好成绩[4]；2015年，美国伊利诺伊大学研究小组将一些世界上最好的AI系统与人类智商进行比较，试验表明AI的智力已达到4岁儿童水平。麻省理工大学研究人员开发的AI系统Concept Net也与人类智商进行比较，结果发现AI系统在词汇和相似性方面占有绝对优势，但在推理和理解方面则差强人意。目前，人们与智能手机近半数的交互都通过苹果Siri、微软Cortana和谷歌Google Now等语音助手完成。有专家认为，AI在学习能力和自然语言能力上的不断提升会导致它们在今后几年里拥有与人类一样的思维，随着AI的快速发展，人类的很多职业将面临巨大挑战，未来职业变迁速度也会加快。

2017年1月，美国FDA首次批准了一款心脏核磁共振影像AI分析的软件用于治疗多种心血管疾病，包括先天性心脏病、主动脉或心脏瓣膜疾病等。2017年2月，AI在疾病诊断领域的应用更是两度登上《自然》杂志：一是发现利用基于深度学习的图片识别技术，AI诊断皮肤癌的准确率及灵敏度均达到甚至超过专业医师水平；二是通过深度学习算法，AI在儿童自闭症早期诊断上以88%的准确率完胜医生50%的传统行为问卷调查法。2017年3月，权威杂志《科学》刊登了中国陆军军医大学的最新研究结果，利用AI在30s内可鉴定血型且准确率超过99.9%。AI正以超乎我们预想的速度飞快发展，并将相关研究推向高潮，让AI真正落地医院并为患者服务。2017年全国两会首次将AI写入政府工作报告，AI成为当下最炙手可热的名词及领域。

2 AI在恶性肿瘤放疗中的应用与前景

按研究内容不同，AI可归纳为专家系统、智能机器人、计算机视觉及应用、计算机语音识别及处理、智能控制系统、图像识别与理解、自然语音理解等几个方面。AI之所以具有如此大的吸引力，不仅在于它取得的各项成就，更在于它的巨大发展潜力。智能计算机医院管理系统、智能医疗诊断专家系统、智能手术机器人等AI技术已为医疗领域带来了革命性变化。近年来，AI技术在恶性肿瘤放疗领域中应用的问题也得到了放疗学界前所未有的重视，许多国内外的大型公司、顶尖学者都在开展相关开发与研究。

2.1 恶性肿瘤放疗靶区和危及器官智能化自动化勾画 恶性肿瘤放疗靶区和危及器官的勾画占用了放疗科医生大量的时间和精力。每例肿瘤患者在CT模拟定位后，图像平均在200张左右，医生在勾画的时候需要给每层图像的肿瘤病灶、重要危及器官进行逐层勾画标注。这个过程按照传统的方法要耗费医生3～5h。如果患者放疗中复查，肿瘤大小或位置有了明显变化，还需要对患者再次定位扫描后重新勾画肿瘤靶区和危及器官。肿瘤靶区和危及器官的勾画蕴含了肿瘤放疗医师的学识，在体现技术含量的同时也包含了大量的重复工作。目前肿瘤发病率和病死率都在逐年攀升，而放疗人才和设备不足是普遍问题。在勾画速度、准确性和适应性保障的前提下，如果能建立肿瘤靶区和危及器官勾画自动化智能化模型，将能有效提高医师工作效率。

当前市场上有多个是基于靶区库（Atlas-based）的靶区自动勾画产品。近期，谷歌联手英国国家医疗服务体系（NHS）开发了一套AI靶区勾画体系，通过机器学习，自动勾画头颈部肿瘤病灶。靶区智能勾画有传统的非先验依赖性模式（主要依赖体素强度和/或图像梯度）、先验依赖性模式（Atlas based segmentation）、复合型智能靶区勾画等3种模式。国内四川大学正在研发基于深度卷积神经网络的靶区勾画。肿瘤放疗靶区和危及器官智能化、自动化勾画步骤一般包括以下3个方面：（1）肿瘤多模态（式）影像重建、去噪、增强、配准、融合等预处理；（2）肿瘤影像特征自动提取：自动地从预处理后的 CT、锥形束 CT（CBCT）、MRI、正电子发射计算机断层显像（PET）和（或）超声等多模态（式）肿瘤医学图像数据中提取1个或多个肿瘤影像组（纹理特征谱）信息[5]；（3）采用深度学习、机器学习、AI、区域生长、图论（随机游走）、几何水平集和（或）统计理论方法，进行肿瘤放射治疗靶区和危及器官的智能化、自动化勾画[6]。目前Pinnacle等运用Atlas模板库初步实现了感兴趣区域（ROI）自动勾画。轮廓的智能提取将是自动勾画的发展方向。

2.2 建立AI化的放射治疗计划模型 AI是计算机学科的一个分支，对于繁重的重复劳动、计算及大量记忆来说，计算机比人脑更能胜任，且比人脑做得更快、更好。特别是在记忆量大的病历资料、医学文献、教科书、临床指南、药物说明书、影像图片、病理切片、肿瘤靶区和危及器官勾画、放疗计划设计系统（TPS）等方面，AI机器人要更胜一筹[7]。医生掌握这些知识，可能需要几年甚至几十年的时间，而且要坚持不断地学习，而AI系统只需要输入大量医学信息和数据进行不断更新就可以了。谷歌、谷歌大脑与Verily公司联合开发了一款能用来诊断乳腺癌的AI，通过将病理切片处理成数码图像的方式，提供大量肿瘤组织和正常组织的病理切片供这款AI学习，与1位资深病理学家共同分析130张切片，病理学家用时30h，依然以73.3%的准确率败给准确率达88.5%的AI[8]。在相同数量上，AI凭借高效率及高质量战胜了人脑。目前常规放疗计划系统的自动化程度不高，人为的不确定性因素较多。基于蒙特卡罗等高效剂量算法，应用深度机器学习，建立患者个体特性与剂量学特性的关联模型，自动预测剂量学目标，并引导后续优化，实现放疗计划的自动设计，并以智能放疗计划系统功能模块为基础、计划设计流程为依据，实现“云化”放疗计划系统[9]。瓦里安基于AI的放疗计划商用系统Rapid Plan将机器学习技术应用于放疗计划设计，效率明显优于人工设计。瓦里安医疗系统的Eclipse治疗计划软件在2017年9月的国际放疗计划大赛中获取高分，实现了基于计划数据库和计划剂量学预测模型的智能放疗计划设计。近年来，国内热衷于这方面的研发，但尚处于起步阶段。医生个人技术水平的高低会导致放疗计划的优劣差异，通过AI可以弥补经验欠缺医师的不足，年轻医生也可以从AI化的放疗计划系统中得到学习及提高。

2.3 建立基于互联网+的放射治疗远程智能化质控系统 癌症严重威胁着人类健康，2015年我国新确诊癌症患者已达429.2万例。放射治疗是癌症的主要治疗手段之一，约70%的肿瘤患者在病程不同阶段需接受放疗。肿瘤发病率和病死率逐年上升，而我国放疗人才和设备严重不足、区域发展不平衡、各层级放疗水平参差不齐、分级诊疗难以落实，这些因素均对我国的放射治疗服务质量与模式提出了严峻的挑战，如何尽快实现患者在本地接受高质量的放疗是我国当前亟待解决的重大问题。许多国内的大型研究性医院，具有人才、设备、技术、服务、数据等多方面的优势，利用前沿技术，建立基于大数据与AI的、分层次、多功能的远程放疗服务体系和新模式，以远程放疗服务为中心、信息安全为保障，建立集人员培训、远程支持、自动质控于一体的放疗平台，建立互联网+、云TPS的放疗共享服务模式，建立TPS智能分析中心，组建放疗服务团队和运维团队，制定规章制度及医疗质控体系，以满足不同层级医院应用需求是目前发展方向[10-11]。建立以云平台为载体，研究型医院为依托，基层医院为服务对象的省-市-县三级智能化、规范化的放射治疗远程质量控制体系，及时为基层医院的放疗科提供良好的放射治疗计划设计、实时治疗验证解决方案，建立人机结合的服务团队，制定各种设备、不同层级医院间的工作流程和规范，具有重要现实意义。

3 AI+放射治疗的发展前景

AI是未来人类医疗的一个发展方向和趋势，在医疗领域将来能否取代医生，我们将拭目以待。但AI肯定能很好地辅佐医生，缓解医疗的压力，减轻医生的工作量，提高医疗服务的质量，不断促进医学的进步与发展。基于AI自动放疗相关的AI和大数据技术可以减少人工干预，能明显提高放疗效率。影像相关的配准、分割和剂量优化等技术是进行自动化放疗的核心技术，高性能计算平台是临床大量开展AI自动化放疗方法的设备保证，高质量和海量数据是提高AI能力的基础，大数据+AI+云计算则构成了信息新时代的三驾马车。多种前沿科学在这个平台上能够进行交叉融合，医学同时也可以作为一个出口，承接多种前沿技术的转化和应用。优质放疗资源共享，提升基层医疗机构放疗能力，众多肿瘤患者一定能够享有优质可及的放疗服务。

AI的核心能力实际上是人类自身已拥有的能力，但与人类相比，最大优势在于计算能力的高效，尤其在数据密集型、知识密集型、脑力劳动密集型行业领域。所以，AI对医生并不是简单的替代，而是帮助医生从繁重的低技术劳动中解放出来，把精力和时间放在提升专业技能、为患者提供更好的服务上。

[1]孔祥溢,王任直．人工智能及在医疗领域的应用[J]．医学信息学杂志,2016,37(11):1-5．

[2]张远望．人工智能与应用[J]．中国科技纵横,2015(20):22．

[3]尼克·波斯特洛姆．超级智能：路线图、危险性与应对策略[M]．张体伟,张玉青,译．北京:中信出版社,2015:120-200．

[4]陈自富．强人工智能和超级智能：技术合理性及其批判[J]．科学与管理,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．