發(fā)布日期：2017-10-31

作為醫(yī)學影像方面的技術(shù)專家和實戰(zhàn)專家，斯坦福大學醫(yī)學物理中心主任、匯醫(yī)慧影首席科學家邢磊教授近日連續(xù)受邀參加國內(nèi)外放射放療學術(shù)會議，包括2017美國醫(yī)學物理年會（AAPM）, 成都圖像計算與數(shù)字醫(yī)學國際研討會, 第一界人工智能在醫(yī)學中的應用峰會， 美國放射腫瘤學會（ASTRO）年會, 以及由北京醫(yī)師協(xié)會放射?？漆t(yī)師分會等。近年來AI技術(shù)被廣泛討論。 如何將AI融合臨床，如何幫助影像醫(yī)生釋放更多價值，如何從影像診斷為切入點，用AI來深入腫瘤治療全鏈條，也是當前熱門話題，這是一場數(shù)據(jù)和算法的博弈，更是診斷與治療的彼此協(xié)同。

斯坦福大學醫(yī)學物理系主任、斯坦福大學杰出教授邢磊博士攜匯醫(yī)慧影人工智能分析云平臺（英文版）亮相各峰會。 邢教授的主題為《AI在臨床診療中的應用》的精彩分享博得了廣大與會者的一致贊同。邢磊教授是美國斯坦福大學終身教授、 同時兼任斯坦福電子工程系、分子影像及生物信息專業(yè)以及Bio-X的教授。他從事醫(yī)學影像，醫(yī)學物理以及醫(yī)學信息方面的教學研究長達20余年，發(fā)表了300余篇專業(yè)論文，并主持過多個NIH、DOD、NSF、ACS、RSNA等機構(gòu)的重大科研項目，曾獲美國癌癥協(xié)會研究學者獎、美國醫(yī)學物理學會 (AAPM) 最佳論文獎、及谷歌研究獎。邢磊博士同時還是AAPM和 AIMBIE（美國醫(yī)學與生物工程院）會士, 國家“千人計劃”專家。

以下是邢磊博士的分享原文集萃，雷鋒網(wǎng)做了不改變原意的編輯：

臨床痛點催生AI在醫(yī)學中的應用機會

討論AI在醫(yī)學中的應用， 首先要弄清楚什么是醫(yī)學?，F(xiàn)代醫(yī)學是循證醫(yī)學（Evidence-based Medicine），主要包含三個部分：臨床經(jīng)驗、科學數(shù)據(jù)和患者的實際狀況和意愿。

這三點看著簡單，臨床實踐起來卻很困難。醫(yī)學是科學也是一門藝術(shù)，涉及醫(yī)生的素質(zhì)和經(jīng)驗積累。正因如此，臨床醫(yī)學中存在著許多問題，給AI在醫(yī)學領(lǐng)域的應用創(chuàng)造了絕佳的機會。

首先，臨床采集到的數(shù)據(jù)常帶有一定的偏差和不確定性。用這些經(jīng)驗數(shù)據(jù)來做臨床決策是一個十分復雜的過程。這個過程通常很難或根本無法用一般的簡單數(shù)學模型來描述。 其次， 目前放射科和放療科業(yè)務(wù)重復、勞動強度大。第三，建設(shè)醫(yī)學影像部門成本高昂，各大三甲醫(yī)院和市縣鄉(xiāng)級醫(yī)院之間的基礎(chǔ)設(shè)施相差懸殊。而AI技術(shù)可以隨著應用規(guī)模擴大，邊際成本不斷降低，擁有無可比擬的優(yōu)勢。 AI技術(shù)的應用可以將醫(yī)生從很多繁復低效的工作中解放出來， 提高醫(yī)務(wù)工作者的平均水平和效率，使他們能夠把寶貴的時間精力花在更有價值的創(chuàng)造性的臨床工作上。 更進一步，臨床試驗往往耗時很長，從有結(jié)果到真正應用于臨床，往往需要三至五年。AI技術(shù)的應用可以加速臨床試驗效率?？梢院敛豢鋸埖卣f，AI是實現(xiàn)個體化醫(yī)療的一項不可缺少的技術(shù)。

在循證醫(yī)學中，臨床決定是和證據(jù)和數(shù)據(jù)緊密相連的。伴隨著科學及醫(yī)療技術(shù)的突飛猛進，數(shù)據(jù)越多， 臨床決定的維度也就越多。從認知能力的角度來說， 一個人可以同時考慮的變量個數(shù)是很有限的。同一時間內(nèi)能自如地處理十個因素的，就可算作superman了。但現(xiàn)實中， 一個腫瘤醫(yī)生要考慮的因素往往要遠遠超過這個維度， 其難度和不確定性可想而知。

此外，我們正處在一個知識大爆炸的時代。每天都有關(guān)于的文章發(fā)表，而這些知識的半衰期平均只有幾年，很容易過時被人們遺忘。因此，應用AI來快速提取數(shù)據(jù)精華用于臨床是十分重要的。

深度學習在臨床中的應用

相信各位專家對計算機輔助診斷——也就是CAD，都很熟悉。早在八十年代，就有很多人在做這件事情，涌現(xiàn)了很多公司。 后來被Hologic Inc. 收購的R2 Technology是其中一家比較有名的代表。隨著計算機的計算能力增強，以及GPU的出現(xiàn)，深度學習逐漸走向大家的視線。 如今，深度學習已經(jīng)廣泛應用到了我們的日常工作和生活中。

機器學習的過程與兒童認知的過程很相似： 通過大量的現(xiàn)有樣本訓練機器，告訴它什么是貓什么是狗。學習一定數(shù)量的樣本之后，機器在其他不同場合見到小貓小狗時，就能將它們識別出來?，F(xiàn)實生活中用到這種能力的場景很多。放射科醫(yī)生根據(jù)自身經(jīng)驗，參考病人的病史和其他臨床信息做出診斷就是一個經(jīng)典的例子。

機器學習可以分為三大類 。我們首先要用大量的數(shù)據(jù)來訓練出模型后，才能對新的數(shù)據(jù)進行分析判斷和預測。 近幾年，深度學習十分火熱，這可能和跟人際圍棋大戰(zhàn)有莫大的關(guān)系：）。其實，機器戰(zhàn)勝人類已經(jīng)不是第一次了。早在二十年前，IBM的Deep Blue就已經(jīng)擊敗了象棋界的國際象棋棋王卡斯帕羅夫。 最近AlphaGo的兩次人機大戰(zhàn)又把人工智能推到了新的高度，因為圍棋一直被譽為是“人類智慧皇冠上的明珠”。

深度學習和強化深度學習是目前醫(yī)學影像領(lǐng)域使用最多的技術(shù)。 它們可以用來解決很多以前無法解決的難題 。今年斯坦福計算機系的S. Thrun在Nature上發(fā)表的有關(guān)皮膚癌檢測的研究成果可以說是一個很成功的案例。他們基于近13萬例皮膚癌樣本，訓練了一個CNN深度學習模型，然后用了約2000個樣本對其進行測試。該模型的性能可與經(jīng)驗豐富的皮膚科醫(yī)生媲美。

在充分挖掘人工智能的潛力， 打造一個全球化的智能醫(yī)療影像平臺方面，匯醫(yī)慧影一直走在行業(yè)的最前沿。匯醫(yī)慧影正在利用深度學習來模擬人腦對三維圖像的認識過程，并取得了驚人的進展。人腦會從顏色、形狀、抽象識別等五個維度對圖像進行處理。因此不同區(qū)域模擬認知過程的算法不盡相同。他們在實踐中積累了大量的經(jīng)驗，在配齊大量的臨床數(shù)據(jù)積累、提高計算效率，優(yōu)化深度學習算法，和構(gòu)建不斷自我提高的模型方面取得了優(yōu)異的進展。

一、AI在治療計劃中預測肝癌肺癌放療產(chǎn)生的副作用

AI在放療中有很多應用，比如如何預測肝癌肺癌放療可能產(chǎn)生的副作用。用深度學習模型可替代現(xiàn)有的諾模圖， 從而實現(xiàn)準確度更高的個體化預測?，F(xiàn)有方法是在給出劑量分布后，通過一些指標評估預測放療的毒性，比如平均劑量大于多少會產(chǎn)生臨床上無法接受的毒性。使用深度學習模型可以代替這些舊的指標，不再依靠僅有的幾個參數(shù)做臨床決定。

我們用大量病人的影像、治療計劃和治療后的毒性等數(shù)據(jù)，構(gòu)建了世界上第一個基于深度學習的肝癌放療模型。它可以方便準確地對新病人的預后進行預測。 和實際臨床觀測到的預后相比發(fā)現(xiàn)，深度學習的預測要比現(xiàn)有模型要準確得多。這可以說是深度學習在放療轉(zhuǎn)化醫(yī)學中的首次實質(zhì)性應用。

二、AI在治療計劃及圖像分析重建方面的應用

放療過程是很個體化的，需要根據(jù)病人的解剖學特征和腫瘤位置不斷進行優(yōu)化，這是個很復雜的過程。因此，制定治療計劃是一件非常耗時的工作。一般而言， 一個經(jīng)驗豐富的技術(shù)人員為復雜病人制定治療計劃經(jīng)常要花費幾小時到幾天的時間。我們科室每年大概有三千多例病人，可想而知需要耗費多少時間和精力。 用深度學習制定治療計劃，可以大幅度地提高制定治療計劃效率和質(zhì)量。目前，我們已經(jīng)將谷歌AlphaGo的算法成功地應用到了治療計劃的優(yōu)化中。 我們將利用該算法制定的治療計劃與人工計劃進行比較，結(jié)果比現(xiàn)有的方法所產(chǎn)生的計劃都好， 且易于在加速器上實現(xiàn)。

在用MRI來進行心臟等運動器官的成像或使用MRI引導放療，需要迅速實時地采集并重建MRI圖像?，F(xiàn)有的MRI每秒可生成 4-8幀平面圖像。用深度學習模型可以極大地縮短三維MRI圖像重建所需的時間， 使“實時”的四維MRI圖像重建成為可能。機器學習也同樣可以應用于CT圖像的重建。在CT成像時， 病人通常要接受1-5 cGy的輻射劑量，如果劑量降低，噪聲信號就會顯著升高，導致圖像質(zhì)量下降。我們用以前病人的CT數(shù)據(jù)構(gòu)建一個模型，利用該模型與新的低劑量數(shù)據(jù)聯(lián)合進行重建。從而將大大地降低了CT成像的輻射劑量。

三、AI及影響組學在圖像分析及臨床中的應用

深度學習在疾病篩查檢測方面的應用研究也很活躍，新方法新技術(shù)層出不窮。 比如，我們實驗室正在用深度學習來改進現(xiàn)有的前列腺癌的檢測方法。大致地講，當發(fā)現(xiàn)前列腺特異性抗原（PSA）升高時，一般要靠MRI及活檢來確診。 我們通過大量的病人影像及診斷結(jié)果，利用深度學習來進行前列腺腫瘤的診斷分析，由此找出所有病灶及腫瘤的惡化程度，從而避免或減少活檢及病人的花費和痛苦。

相信各位對放射組學都熟悉。說到放射組學，順便向大家介紹一本書，題目是“Radiomics and Radiogenomics”，是由我和斯坦福的三位同事一同編寫的，將于明年初夏出版。利用放射組學，可以對特征值進行篩選。 我們最近在Radiology上發(fā)表了用放射組學研究膠質(zhì)瘤預后的文章。另外， 膠質(zhì)瘤的治療中，一個很重要的臨床問題就是如何區(qū)分假進展和真進展。治療后病人的定期復查中，對上述兩種情況的治療決定是完全不同的——前者要停藥，后者要繼續(xù)治療。利用神經(jīng)網(wǎng)絡(luò)，應該可以很好地解決這一問題。

AI在臨床應用中遇到的挑戰(zhàn)－算法，數(shù)據(jù)，和數(shù)據(jù)交換方式

到目前為止，計算機視覺的研究應用主要是在二維空間里進行的。而醫(yī)學影像幾乎全是三維甚至四維的，比如CT、MRI、PET等。真正意義上的醫(yī)學影像學習和處理實際才剛剛起步。 除了算法，AI應用于醫(yī)學領(lǐng)域的另一關(guān)鍵是數(shù)據(jù)和如何有效地進行數(shù)據(jù)交換。深度學習需要不斷地改進模型，因此需要海量數(shù)據(jù)。 匯醫(yī)慧影平臺可以將數(shù)據(jù)以大家所認同的格式存放在云端，供多個專家共享 －這對大數(shù)據(jù)處理和深度學習是至關(guān)重要的。除了影像和電子病歷（EMR）數(shù)據(jù)，今后我們還希望能將病人的基因組學數(shù)據(jù)、可穿戴數(shù)據(jù)等也融入進去，從而更加方便地進行多方位深度學習。數(shù)據(jù)共享實際上是一個大問題，涉及技術(shù)、管理，社會等各個方面。有篇發(fā)表在Lancet Oncology上的文章曾對此做了深入的探討， 里面提到的數(shù)據(jù)共享的障礙在中國也普遍存在。 我相信，伴隨著大量的高質(zhì)量數(shù)據(jù)涌出，未來AI在臨床應用的前景是非常樂觀的。

最后總結(jié)歸納一下，今天我主要舉例討論了深度學習在診斷、圖像重建、放療決策等方面的應用。目前，人工智能在醫(yī)學領(lǐng)域的應用才剛剛開始， 真正實現(xiàn)臨床醫(yī)學上的實質(zhì)性應用估計還需要三至五年。未來還有很長的路要走。至于AI將來能否取代醫(yī)生這個“永恒的話題”， 我們以后換個比較輕松的環(huán)境再討論吧：）

來源：AI掘金志（微信號 HealthAI）