發(fā)布日期：2017-10-31
作為醫(yī)學(xué)影像方面的技術(shù)專(zhuān)家和實(shí)戰(zhàn)專(zhuān)家，斯坦福大學(xué)醫(yī)學(xué)物理中心主任、匯醫(yī)慧影首席科學(xué)家邢磊教授近日連續(xù)受邀參加國(guó)內(nèi)外放射放療學(xué)術(shù)會(huì)議，包括2017美國(guó)醫(yī)學(xué)物理年會(huì)（AAPM）, 成都圖像計(jì)算與數(shù)字醫(yī)學(xué)國(guó)際研討會(huì), 第一界人工智能在醫(yī)學(xué)中的應(yīng)用峰會(huì)， 美國(guó)放射腫瘤學(xué)會(huì)（ASTRO）年會(huì), 以及由北京醫(yī)師協(xié)會(huì)放射專(zhuān)科醫(yī)師分會(huì)等。近年來(lái)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(jià)值，如何從影像診斷為切入點(diǎn)，用AI來(lái)深入腫瘤治療全鏈條，也是當(dāng)前熱門(mén)話題，這是一場(chǎng)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(xué)醫(yī)學(xué)物理系主任、斯坦福大學(xué)杰出教授邢磊博士攜匯醫(yī)慧影人工智能分析云平臺(tái)（英文版）亮相各峰會(huì)。 邢教授的主題為《AI在臨床診療中的應(yīng)用》的精彩分享博得了廣大與會(huì)者的一致贊同。邢磊教授是美國(guó)斯坦福大學(xué)終身教授、 同時(shí)兼任斯坦福電子工程系、分子影像及生物信息專(zhuān)業(yè)以及Bio-X的教授。他從事醫(yī)學(xué)影像，醫(yī)學(xué)物理以及醫(yī)學(xué)信息方面的教學(xué)研究長(zhǎng)達(dá)20余年，發(fā)表了300余篇專(zhuān)業(yè)論文，并主持過(guò)多個(gè)NIH、DOD、NSF、ACS、RSNA等機(jī)構(gòu)的重大科研項(xiàng)目，曾獲美國(guó)癌癥協(xié)會(huì)研究學(xué)者獎(jiǎng)、美國(guó)醫(yī)學(xué)物理學(xué)會(huì) (AAPM) 最佳論文獎(jiǎng)、及谷歌研究獎(jiǎng)。邢磊博士同時(shí)還是AAPM和 AIMBIE（美國(guó)醫(yī)學(xué)與生物工程院）會(huì)士, 國(guó)家“千人計(jì)劃”專(zhuān)家。
以下是邢磊博士的分享原文集萃，雷鋒網(wǎng)做了不改變?cè)獾木庉嫞?/p>
臨床痛點(diǎn)催生AI在醫(yī)學(xué)中的應(yīng)用機(jī)會(huì)
討論AI在醫(yī)學(xué)中的應(yīng)用， 首先要弄清楚什么是醫(yī)學(xué)?，F(xiàn)代醫(yī)學(xué)是循證醫(yī)學(xué)（Evidence-based Medicine），主要包含三個(gè)部分：臨床經(jīng)驗(yàn)、科學(xué)數(shù)據(jù)和患者的實(shí)際狀況和意愿。
這三點(diǎn)看著簡(jiǎn)單，臨床實(shí)踐起來(lái)卻很困難。醫(yī)學(xué)是科學(xué)也是一門(mén)藝術(shù)，涉及醫(yī)生的素質(zhì)和經(jīng)驗(yàn)積累。正因如此，臨床醫(yī)學(xué)中存在著許多問(wèn)題，給AI在醫(yī)學(xué)領(lǐng)域的應(yīng)用創(chuàng)造了絕佳的機(jī)會(huì)。
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(yàn)數(shù)據(jù)來(lái)做臨床決策是一個(gè)十分復(fù)雜的過(guò)程。這個(gè)過(guò)程通常很難或根本無(wú)法用一般的簡(jiǎn)單數(shù)學(xué)模型來(lái)描述。 其次， 目前放射科和放療科業(yè)務(wù)重復(fù)、勞動(dòng)強(qiáng)度大。第三，建設(shè)醫(yī)學(xué)影像部門(mén)成本高昂，各大三甲醫(yī)院和市縣鄉(xiāng)級(jí)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(yīng)用規(guī)模擴(kuò)大，邊際成本不斷降低，擁有無(wú)可比擬的優(yōu)勢(shì)。 AI技術(shù)的應(yīng)用可以將醫(yī)生從很多繁復(fù)低效的工作中解放出來(lái)， 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(shí)間精力花在更有價(jià)值的創(chuàng)造性的臨床工作上。 更進(jìn)一步，臨床試驗(yàn)往往耗時(shí)很長(zhǎng)，從有結(jié)果到真正應(yīng)用于臨床，往往需要三至五年。AI技術(shù)的應(yīng)用可以加速臨床試驗(yàn)效率?？梢院敛豢鋸埖卣f(shuō)，AI是實(shí)現(xiàn)個(gè)體化醫(yī)療的一項(xiàng)不可缺少的技術(shù)。
在循證醫(yī)學(xué)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(xué)及醫(yī)療技術(shù)的突飛猛進(jìn)，數(shù)據(jù)越多， 臨床決定的維度也就越多。從認(rèn)知能力的角度來(lái)說(shuō)， 一個(gè)人可以同時(shí)考慮的變量個(gè)數(shù)是很有限的。同一時(shí)間內(nèi)能自如地處理十個(gè)因素的，就可算作superman了。但現(xiàn)實(shí)中， 一個(gè)腫瘤醫(yī)生要考慮的因素往往要遠(yuǎn)遠(yuǎn)超過(guò)這個(gè)維度， 其難度和不確定性可想而知。
此外，我們正處在一個(gè)知識(shí)大爆炸的時(shí)代。每天都有關(guān)于的文章發(fā)表，而這些知識(shí)的半衰期平均只有幾年，很容易過(guò)時(shí)被人們遺忘。因此，應(yīng)用AI來(lái)快速提取數(shù)據(jù)精華用于臨床是十分重要的。
深度學(xué)習(xí)在臨床中的應(yīng)用
相信各位專(zhuān)家對(duì)計(jì)算機(jī)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(lái)被Hologic Inc. 收購(gòu)的R2 Technology是其中一家比較有名的代表。隨著計(jì)算機(jī)的計(jì)算能力增強(qiáng)，以及GPU的出現(xiàn)，深度學(xué)習(xí)逐漸走向大家的視線。 如今，深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用到了我們的日常工作和生活中。
機(jī)器學(xué)習(xí)的過(guò)程與兒童認(rèn)知的過(guò)程很相似： 通過(guò)大量的現(xiàn)有樣本訓(xùn)練機(jī)器，告訴它什么是貓什么是狗。學(xué)習(xí)一定數(shù)量的樣本之后，機(jī)器在其他不同場(chǎng)合見(jiàn)到小貓小狗時(shí)，就能將它們識(shí)別出來(lái)?，F(xiàn)實(shí)生活中用到這種能力的場(chǎng)景很多。放射科醫(yī)生根據(jù)自身經(jīng)驗(yàn)，參考病人的病史和其他臨床信息做出診斷就是一個(gè)經(jīng)典的例子。
機(jī)器學(xué)習(xí)可以分為三大類(lèi) 。我們首先要用大量的數(shù)據(jù)來(lái)訓(xùn)練出模型后，才能對(duì)新的數(shù)據(jù)進(jìn)行分析判斷和預(yù)測(cè)。 近幾年，深度學(xué)習(xí)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(shí)，機(jī)器戰(zhàn)勝人類(lèi)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(guó)際象棋棋王卡斯帕羅夫。 最近AlphaGo的兩次人機(jī)大戰(zhàn)又把人工智能推到了新的高度，因?yàn)閲逡恢北蛔u(yù)為是“人類(lèi)智慧皇冠上的明珠”。
深度學(xué)習(xí)和強(qiáng)化深度學(xué)習(xí)是目前醫(yī)學(xué)影像領(lǐng)域使用最多的技術(shù)。 它們可以用來(lái)解決很多以前無(wú)法解決的難題 。今年斯坦福計(jì)算機(jī)系的S. Thrun在Nature上發(fā)表的有關(guān)皮膚癌檢測(cè)的研究成果可以說(shuō)是一個(gè)很成功的案例。他們基于近13萬(wàn)例皮膚癌樣本，訓(xùn)練了一個(gè)CNN深度學(xué)習(xí)模型，然后用了約2000個(gè)樣本對(duì)其進(jìn)行測(cè)試。該模型的性能可與經(jīng)驗(yàn)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(gè)全球化的智能醫(yī)療影像平臺(tái)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(xué)習(xí)來(lái)模擬人腦對(duì)三維圖像的認(rèn)識(shí)過(guò)程，并取得了驚人的進(jìn)展。人腦會(huì)從顏色、形狀、抽象識(shí)別等五個(gè)維度對(duì)圖像進(jìn)行處理。因此不同區(qū)域模擬認(rèn)知過(guò)程的算法不盡相同。他們?cè)趯?shí)踐中積累了大量的經(jīng)驗(yàn)，在配齊大量的臨床數(shù)據(jù)積累、提高計(jì)算效率，優(yōu)化深度學(xué)習(xí)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(jìn)展。
一、AI在治療計(jì)劃中預(yù)測(cè)肝癌肺癌放療產(chǎn)生的副作用
AI在放療中有很多應(yīng)用，比如如何預(yù)測(cè)肝癌肺癌放療可能產(chǎn)生的副作用。用深度學(xué)習(xí)模型可替代現(xiàn)有的諾模圖， 從而實(shí)現(xiàn)準(zhǔn)確度更高的個(gè)體化預(yù)測(cè)?，F(xiàn)有方法是在給出劑量分布后，通過(guò)一些指標(biāo)評(píng)估預(yù)測(cè)放療的毒性，比如平均劑量大于多少會(huì)產(chǎn)生臨床上無(wú)法接受的毒性。使用深度學(xué)習(xí)模型可以代替這些舊的指標(biāo)，不再依靠?jī)H有的幾個(gè)參數(shù)做臨床決定。
我們用大量病人的影像、治療計(jì)劃和治療后的毒性等數(shù)據(jù)，構(gòu)建了世界上第一個(gè)基于深度學(xué)習(xí)的肝癌放療模型。它可以方便準(zhǔn)確地對(duì)新病人的預(yù)后進(jìn)行預(yù)測(cè)。 和實(shí)際臨床觀測(cè)到的預(yù)后相比發(fā)現(xiàn)，深度學(xué)習(xí)的預(yù)測(cè)要比現(xiàn)有模型要準(zhǔn)確得多。這可以說(shuō)是深度學(xué)習(xí)在放療轉(zhuǎn)化醫(yī)學(xué)中的首次實(shí)質(zhì)性應(yīng)用。
二、AI在治療計(jì)劃及圖像分析重建方面的應(yīng)用
放療過(guò)程是很個(gè)體化的，需要根據(jù)病人的解剖學(xué)特征和腫瘤位置不斷進(jìn)行優(yōu)化，這是個(gè)很復(fù)雜的過(guò)程。因此，制定治療計(jì)劃是一件非常耗時(shí)的工作。一般而言， 一個(gè)經(jīng)驗(yàn)豐富的技術(shù)人員為復(fù)雜病人制定治療計(jì)劃經(jīng)常要花費(fèi)幾小時(shí)到幾天的時(shí)間。我們科室每年大概有三千多例病人，可想而知需要耗費(fèi)多少時(shí)間和精力。 用深度學(xué)習(xí)制定治療計(jì)劃，可以大幅度地提高制定治療計(jì)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(yīng)用到了治療計(jì)劃的優(yōu)化中。 我們將利用該算法制定的治療計(jì)劃與人工計(jì)劃進(jìn)行比較，結(jié)果比現(xiàn)有的方法所產(chǎn)生的計(jì)劃都好， 且易于在加速器上實(shí)現(xiàn)。
在用MRI來(lái)進(jìn)行心臟等運(yùn)動(dòng)器官的成像或使用MRI引導(dǎo)放療，需要迅速實(shí)時(shí)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(xué)習(xí)模型可以極大地縮短三維MRI圖像重建所需的時(shí)間， 使“實(shí)時(shí)”的四維MRI圖像重建成為可能。機(jī)器學(xué)習(xí)也同樣可以應(yīng)用于CT圖像的重建。在CT成像時(shí)， 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(hào)就會(huì)顯著升高，導(dǎo)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(gè)模型，利用該模型與新的低劑量數(shù)據(jù)聯(lián)合進(jìn)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(xué)在圖像分析及臨床中的應(yīng)用
深度學(xué)習(xí)在疾病篩查檢測(cè)方面的應(yīng)用研究也很活躍，新方法新技術(shù)層出不窮。 比如，我們實(shí)驗(yàn)室正在用深度學(xué)習(xí)來(lái)改進(jìn)現(xiàn)有的前列腺癌的檢測(cè)方法。大致地講，當(dāng)發(fā)現(xiàn)前列腺特異性抗原（PSA）升高時(shí)，一般要靠MRI及活檢來(lái)確診。 我們通過(guò)大量的病人影像及診斷結(jié)果，利用深度學(xué)習(xí)來(lái)進(jìn)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(fèi)和痛苦。
相信各位對(duì)放射組學(xué)都熟悉。說(shuō)到放射組學(xué)，順便向大家介紹一本書(shū)，題目是“Radiomics and Radiogenomics”，是由我和斯坦福的三位同事一同編寫(xiě)的，將于明年初夏出版。利用放射組學(xué)，可以對(duì)特征值進(jìn)行篩選。 我們最近在Radiology上發(fā)表了用放射組學(xué)研究膠質(zhì)瘤預(yù)后的文章。另外， 膠質(zhì)瘤的治療中，一個(gè)很重要的臨床問(wèn)題就是如何區(qū)分假進(jìn)展和真進(jìn)展。治療后病人的定期復(fù)查中，對(duì)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(yīng)該可以很好地解決這一問(wèn)題。
AI在臨床應(yīng)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(jì)算機(jī)視覺(jué)的研究應(yīng)用主要是在二維空間里進(jìn)行的。而醫(yī)學(xué)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(xué)影像學(xué)習(xí)和處理實(shí)際才剛剛起步。 除了算法，AI應(yīng)用于醫(yī)學(xué)領(lǐng)域的另一關(guān)鍵是數(shù)據(jù)和如何有效地進(jìn)行數(shù)據(jù)交換。深度學(xué)習(xí)需要不斷地改進(jìn)模型，因此需要海量數(shù)據(jù)。 匯醫(yī)慧影平臺(tái)可以將數(shù)據(jù)以大家所認(rèn)同的格式存放在云端，供多個(gè)專(zhuān)家共享 －這對(duì)大數(shù)據(jù)處理和深度學(xué)習(xí)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(xué)數(shù)據(jù)、可穿戴數(shù)據(jù)等也融入進(jìn)去，從而更加方便地進(jìn)行多方位深度學(xué)習(xí)。數(shù)據(jù)共享實(shí)際上是一個(gè)大問(wèn)題，涉及技術(shù)、管理，社會(huì)等各個(gè)方面。有篇發(fā)表在Lancet Oncology上的文章曾對(duì)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(guó)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(lái)AI在臨床應(yīng)用的前景是非常樂(lè)觀的。
最后總結(jié)歸納一下，今天我主要舉例討論了深度學(xué)習(xí)在診斷、圖像重建、放療決策等方面的應(yīng)用。目前，人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用才剛剛開(kāi)始， 真正實(shí)現(xiàn)臨床醫(yī)學(xué)上的實(shí)質(zhì)性應(yīng)用估計(jì)還需要三至五年。未來(lái)還有很長(zhǎng)的路要走。至于AI將來(lái)能否取代醫(yī)生這個(gè)“永恒的話題”， 我們以后換個(gè)比較輕松的環(huán)境再討論吧：）
來(lái)源：AI掘金志（微信號(hào) HealthAI）
