蚌埠醫(yī)學(xué)院第一附屬醫(yī)院 腫瘤放療科，安徽 蚌埠 233004

引言

盡管“人工智能”（Artificial Intelligence，AI）已經(jīng)成為一個(gè)人盡皆知的概念，但對(duì)AI的定義還沒有達(dá)成普遍的共識(shí)。傳統(tǒng)的AI發(fā)展思路是研究人類如何產(chǎn)生智能，然后讓機(jī)器學(xué)習(xí)人的思考方式去行為。現(xiàn)代AI概念的提出者約翰·麥卡錫認(rèn)為，機(jī)器不一定需要像人一樣思考才能獲得智能，而重點(diǎn)是讓機(jī)器能夠解決人腦所能解決的問題[1]。從1956年AI這個(gè)概念被首次提出以來，AI的發(fā)展幾經(jīng)沉浮，終于在21世紀(jì)迎來了質(zhì)的飛躍。AI技術(shù)已經(jīng)滲透到醫(yī)療健康的方方面面，如醫(yī)學(xué)影像分析、醫(yī)學(xué)病理分析、疾病預(yù)測(cè)、健康管理、新藥研發(fā)等。本文將重點(diǎn)介紹AI在腫瘤放療領(lǐng)域的應(yīng)用現(xiàn)狀。

1 AI在醫(yī)療中的應(yīng)用

在醫(yī)療健康行業(yè)，AI應(yīng)用場(chǎng)景越發(fā)豐富，現(xiàn)實(shí)生活中已有不少AI提高醫(yī)療服務(wù)水平的成功案例。2019年7月，Campanella等[2]在NatureMedicine上發(fā)表臨床級(jí)病理AI癌癥診斷系統(tǒng)，展示了AI在病理診斷上的巨大潛力，研究者利用15187例患者的沒有任何標(biāo)注的腫瘤組織切片圖像訓(xùn)練該模型，AUC達(dá)到0.98。2019年5月，Nature Medicine報(bào)道了Ardila等[3]完成的肺癌AI篩查研究。該模型的準(zhǔn)確率高于6位放射科醫(yī)生，假陽(yáng)性率減少了11%，假陰性率為5%，AUC為94.4%。同月，Lin等[4]利用深度學(xué)習(xí)建立了“先天性白內(nèi)障AI診斷決策平臺(tái)”，該平臺(tái)可用于診斷兒童白內(nèi)障并提供風(fēng)險(xiǎn)分層和治療建議，在多中心隨機(jī)對(duì)照臨床研究中診斷準(zhǔn)確率為87.4%，平均時(shí)間為2.79 min。2019年4月，來自中國(guó)的Chen等[5]使用2047例長(zhǎng)期隨訪的IgA腎病患者數(shù)據(jù)，借助機(jī)器學(xué)習(xí)方法，建立結(jié)合臨床和腎臟病理的預(yù)后風(fēng)險(xiǎn)預(yù)測(cè)及風(fēng)險(xiǎn)分層系統(tǒng)，使醫(yī)生可快速準(zhǔn)確地預(yù)估患者的腎臟預(yù)后風(fēng)險(xiǎn)概率以及風(fēng)險(xiǎn)等級(jí)，這一研究成果發(fā)表在《美國(guó)腎臟病雜志》上。同期，來自中國(guó)的Wang等[6]開發(fā)了一種實(shí)現(xiàn)術(shù)前無(wú)創(chuàng)預(yù)測(cè)肺癌表皮生長(zhǎng)因子受體（Epidermal Growth Factor Receptor，EGFR）基因突變的深度學(xué)習(xí)模型。該模型可從患者的CT中預(yù)測(cè)EGFR突變狀態(tài)，并達(dá)到較好的準(zhǔn)確度（AUC=0.85）。

2 AI在腫瘤放射治療中的應(yīng)用

放射治療是治療惡性腫瘤的重要手段之一，超過70%的惡性腫瘤患者在病程的不同階段需要接受放療[7]。腫瘤放療流程復(fù)雜，包括模擬定位，計(jì)劃設(shè)計(jì)，治療驗(yàn)證，計(jì)劃執(zhí)行等，靶區(qū)、危及器官勾畫和計(jì)劃設(shè)計(jì)是放射治療的兩個(gè)非常重要環(huán)節(jié)。靶區(qū)和危及器官的精準(zhǔn)勾畫、放療計(jì)劃的精確制定和實(shí)施，是實(shí)現(xiàn)放射治療增益比最大化的根本保證[8]。腫瘤放射治療流程圖，見圖1。

圖1 腫瘤放射治療流程圖

2.1 靶區(qū)和危及器官的勾畫

按照傳統(tǒng)的放療流程，靶區(qū)和危及器官的輪廓線是由經(jīng)驗(yàn)豐富的臨床醫(yī)生耗費(fèi)3～5 h進(jìn)行人工勾畫所完成，勾畫人員的臨床經(jīng)驗(yàn)和知識(shí)水平的高低會(huì)導(dǎo)致結(jié)果的優(yōu)劣差異。而有學(xué)者基于深度學(xué)習(xí)方法利用CT圖像建立鼻咽癌危及器官自動(dòng)分割模型，該模型對(duì)單個(gè)病例進(jìn)行危及器官分割需要大約30 s，并且自動(dòng)分割與人工分割結(jié)果強(qiáng)相關(guān)，Dice系數(shù)大于0.85[9]。同樣，近期中國(guó)研究團(tuán)隊(duì)利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）實(shí)現(xiàn)鼻咽癌放射治療靶區(qū)自動(dòng)勾畫，并且AI自動(dòng)勾畫準(zhǔn)確性與專科醫(yī)生相當(dāng)，這一研究成果于2019年3月發(fā)表在《Radiology》雜志。以專家勾畫作為金標(biāo)準(zhǔn)，AI自動(dòng)勾畫的準(zhǔn)確率為79%，經(jīng)專家評(píng)估，32.5%的病例無(wú)需修改可直接用于放射治療計(jì)劃設(shè)計(jì)，56.2%的病例只需少量修改即可用于放療計(jì)劃設(shè)計(jì)[10]。

有學(xué)者提出一種深度擴(kuò)張卷積神經(jīng)網(wǎng)絡(luò)（Deep Dilated Convolutional Neural Network，DDCNN）的模型。研究結(jié)果顯示臨床靶區(qū)平均Dice相似系數(shù)為0.88，每例直腸癌患者的自動(dòng)分割時(shí)間為45 s，且自動(dòng)分割結(jié)果不受患者體型、年齡的影響[11]。為了進(jìn)一步提高靶區(qū)分割精度，Men等[12]開發(fā)一種新型卷積神經(jīng)網(wǎng)絡(luò)（稱為CAC-SPP）用于直腸癌患者的腫瘤靶區(qū)分割。結(jié)果表明CAC-SPP在MR圖像和CT圖像的Dice相似系數(shù)和分割速度均高于傳統(tǒng)的模型，進(jìn)一步提高了直腸癌腫瘤靶區(qū)分割的準(zhǔn)確性。

Men等[13]基于大數(shù)據(jù)和深度學(xué)習(xí)建立名為DD-ResNet的模型，實(shí)現(xiàn)了乳腺癌患者的臨床靶區(qū)自動(dòng)分割。該研究使用800例接受保乳治療的患者數(shù)據(jù)進(jìn)行評(píng)估，并利用深度擴(kuò)張DDCNN和深度反卷積神經(jīng)網(wǎng)絡(luò)（Deep Deconvolution Neural Network，DDNN）模型對(duì)DD-ResNet模型的性能進(jìn)行了評(píng)估：對(duì)于右側(cè)和左側(cè)乳腺癌，平均Dice相似系數(shù)為0.91和0.91，高于其他兩個(gè)網(wǎng)絡(luò)（DDCNN：0.85和0.85; DDNN：0.88和0.87）。DDCNN，DDNN和DD-ResNet分割每例患者的時(shí)間分別為4、21和15 s[13]。Feng等[14]開發(fā)一種深度擴(kuò)張卷積神經(jīng)網(wǎng)絡(luò)對(duì)胸部危及器官進(jìn)行分割，該模型可從胸部CT中對(duì)5個(gè)器官（左、右肺，心臟，食管和脊髓）進(jìn)行自動(dòng)分割，并且Dice系數(shù)優(yōu)于人類專家，表現(xiàn)出良好的性能，并降低了危及器官分割的成本。Jackson等[15]基于卷積神經(jīng)網(wǎng)絡(luò)開發(fā)了自動(dòng)圖像分割工具，此外，將分割輪廓應(yīng)用于估計(jì)腎放射治療劑量。結(jié)果顯示該工具能夠在大約90 s內(nèi)準(zhǔn)確地識(shí)別并分割所有患者的左右腎，左右腎的平均Dice相似系數(shù)分別為0.86和0.91，在手動(dòng)和自動(dòng)算法之間沒有觀察到放射吸收劑量的顯著差異。

Vander等[16]將多圖譜和深度學(xué)習(xí)方法用于腦腫瘤患者危及器官的自動(dòng)分割，定性和定量分析表明深度學(xué)習(xí)方法的性能往往優(yōu)于多圖譜方法。同樣，Orasanu等[17]使用基于深度學(xué)習(xí)的邊界檢測(cè)器進(jìn)行腦放射治療的危及器官分割，該模型改善了MRI中T1w和T2w所有結(jié)構(gòu)的結(jié)果。此外，Tong等[18]、Van等[19]、Chan等[20]、Men等[21]分別基于深度學(xué)習(xí)方法建立了頭頸部腫瘤危及器官自動(dòng)分割模型。各模型均表現(xiàn)出良好的分割性能，同時(shí)縮短了每例患者的分割時(shí)間，減少了臨床醫(yī)生對(duì)臨床應(yīng)用的干預(yù)。然而有學(xué)者對(duì)腦腫瘤的視覺神經(jīng)區(qū)域進(jìn)行勾畫時(shí)，尤其當(dāng)勾畫目標(biāo)對(duì)比度較低、體積較小時(shí)，勾畫效果較差，如視交叉神經(jīng)的勾畫準(zhǔn)確率僅有37%，勾畫結(jié)果不夠理想，尚不能滿足臨床需求[22]?；谏疃葘W(xué)習(xí)的方法，大部分腫瘤靶區(qū)和危及器官均能得到較高的分割精度，AI輔助勾畫提高了腫瘤靶區(qū)和危及器官勾畫的準(zhǔn)確性，同時(shí)顯著提高了醫(yī)生工作效率，簡(jiǎn)化放療工作流程，讓經(jīng)驗(yàn)較少的醫(yī)生達(dá)到近似專家水平的勾畫，也提高了靶區(qū)和危及器官勾畫的一致性。

2.2 放療計(jì)劃

放射治療的基本目標(biāo)是實(shí)現(xiàn)放射治療增益比的最大化，即最大限度地將放射劑量集中到靶區(qū)內(nèi)，在殺滅腫瘤細(xì)胞的同時(shí)保護(hù)周圍正常組織和危及器官少受或免受不必要的照射。頭頸部腫瘤由于靶區(qū)體積大、處方劑量多、靶區(qū)附近有許多對(duì)放射敏感的關(guān)鍵結(jié)構(gòu)，所以其治療計(jì)劃過程被認(rèn)為是最復(fù)雜的過程之一。Nguyen等[23]基于兩種傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)：U-net和DenseNet，建立新型頭頸部腫瘤患者的三維放射治療劑量預(yù)測(cè)模型，研究顯示該模型在均勻性、劑量一致性、劑量覆蓋等方面均優(yōu)于傳統(tǒng)模型，能夠準(zhǔn)確、有效地預(yù)測(cè)劑量分布；并且能夠預(yù)測(cè)危及器官最大劑量在6.3%以內(nèi)，平均劑量在處方劑量的5.1%以內(nèi)。同樣，F(xiàn)an等[24]建立一種三維劑量預(yù)測(cè)和三維劑量分布自動(dòng)優(yōu)化的放療計(jì)劃系統(tǒng)，該模型輸入CT圖像，危及器官和計(jì)劃靶區(qū)的輪廓，以訓(xùn)練模型輸出CT圖像上的預(yù)測(cè)劑量分布。結(jié)果表明深度學(xué)習(xí)方法可以預(yù)測(cè)臨床上可接受的劑量分布，自動(dòng)生成的治療計(jì)劃在臨床上也是可以接受的。

Liu等[25]開發(fā)了一種預(yù)測(cè)螺旋斷層放療三維劑量分布的深度學(xué)習(xí)方法。研究顯示計(jì)劃靶區(qū)和危及器官的平均絕對(duì)劑量差異在2.0%和4.2%之間，平均Dice相似系數(shù)范圍為0.95至1。Chen等[26]也基于深度學(xué)習(xí)技術(shù)利用先前的數(shù)據(jù)庫(kù)，開發(fā)了一種預(yù)測(cè)鼻咽癌劑量分布的方法，結(jié)果顯示除了雙側(cè)視神經(jīng)和視交叉外，所提出的模型可以準(zhǔn)確地預(yù)測(cè)患者劑量分布。Dan等[27]將完全卷積網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）應(yīng)用于前列腺癌患者調(diào)強(qiáng)放射治療的劑量預(yù)測(cè)。根據(jù)醫(yī)生勾畫的計(jì)劃靶區(qū)和危及器官輪廓線實(shí)現(xiàn)劑量分布的準(zhǔn)確預(yù)測(cè)，平均Dice相似系數(shù)為0.91，計(jì)劃靶區(qū)和危及器官上的平均和最大劑量差小于處方劑量的5.1%。同樣，Kajikawa等[28]采用卷積神經(jīng)網(wǎng)絡(luò)模型自動(dòng)預(yù)測(cè)前列腺癌患者接受調(diào)強(qiáng)放射治療的劑量。該研究納入了60例接受調(diào)強(qiáng)放射治療的前列腺癌患者為研究對(duì)象，研究結(jié)果揭示了深度學(xué)習(xí)對(duì)接受調(diào)強(qiáng)放射治療的前列腺癌患者治療計(jì)劃的潛在適用性。一般而言，深度學(xué)習(xí)訓(xùn)練需要大量數(shù)據(jù)，更大的樣本量可以在一定程度上提高準(zhǔn)確性。隨著獲得更高質(zhì)量的醫(yī)學(xué)數(shù)據(jù)，預(yù)測(cè)劑量學(xué)的工具在未來放射治療發(fā)展中可能發(fā)揮關(guān)鍵作用。

此外，近年來，許多研究使用深度學(xué)習(xí)技術(shù)從MRI中生成合成CT（Synthetic CT，sCT）圖像，從而減少診斷電離輻射暴露，并使用CT圖像估算放療劑量，簡(jiǎn)化臨床工作流程。Maspero等[29]基于深度學(xué)習(xí)開發(fā)了一種從MRI中快速生成sCT圖像的方法，以評(píng)估放射治療的劑量。結(jié)果顯示在sCT上計(jì)算的劑量體積直方圖（Dose Volume Histogram，DVH）指標(biāo)值與CT上計(jì)算的DVH值的差異小于2.5%。同樣，Liu等[30]基于深度學(xué)習(xí)的方法利用腹部MRI生成sCT，并驗(yàn)證sCT圖像質(zhì)量。結(jié)果顯示sCT與原始CT圖像比較，平均絕對(duì)誤差為72.87±18.16 HU，sCT和CT在計(jì)劃靶區(qū)DVH值的相對(duì)差異通常小于1%。

Valdes等[31]基于機(jī)器學(xué)習(xí)模型使用患者治療數(shù)據(jù)建立臨床決策支持系統(tǒng)。結(jié)果表明該模型可以對(duì)早期肺癌、頭頸部腫瘤的放療計(jì)劃進(jìn)行準(zhǔn)確的數(shù)據(jù)分類，推理，并與歷史治療計(jì)劃匹配。該系統(tǒng)使臨床醫(yī)生能夠在制定放療計(jì)劃的過程中參考過去的決策來權(quán)衡當(dāng)前的放療計(jì)劃。事實(shí)上，腫瘤放療的臨床決策支持系統(tǒng)已被證明能夠?qū)ぷ髁鞒毯妥o(hù)理質(zhì)量產(chǎn)生影響。例如，Lambin等[32]基于機(jī)器學(xué)習(xí)方法利用歷史患者數(shù)據(jù)建立一種支持定制放射治療的決策支持系統(tǒng)，最終實(shí)現(xiàn)個(gè)性化或定制化放射治療。Tseng等[33]為了在控制腫瘤的情況下最大限度內(nèi)降低2級(jí)放射性肺炎的發(fā)生率，利用114例接受放療的非小細(xì)胞肺癌患者的歷史治療數(shù)據(jù)進(jìn)行回顧性研究，建立一種自動(dòng)劑量分級(jí)適應(yīng)的深度強(qiáng)化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)框架。研究證明該框架的自動(dòng)劑量適應(yīng)是一種可行的、有前景的方法，但是要將這個(gè)框架發(fā)展成一個(gè)完全可靠的臨床決策支持系統(tǒng)，還需要對(duì)更多機(jī)構(gòu)的大量數(shù)據(jù)進(jìn)行進(jìn)一步驗(yàn)證。此外，Shiradkar等[34]通過影像組學(xué)技術(shù)和可變形的配準(zhǔn)工具開發(fā)了自動(dòng)生成局部靶向放療計(jì)劃的框架，以制定有針對(duì)性的局部治療計(jì)劃，該框架可使危及器官的照射劑量減少和癌變病灶的照射劑量增加。

2.3 毒副反應(yīng)

危及器官放射毒性的準(zhǔn)確預(yù)測(cè)是放射治療成功的關(guān)鍵。現(xiàn)有的基于劑量體積直方圖的方法可能嚴(yán)重低估或高估了治療毒性。放療中危及器官受到了過高劑量的照射，放療后會(huì)出現(xiàn)一系列的不良反應(yīng)，即放射治療毒性。因此，降低不良反應(yīng)，實(shí)現(xiàn)劑量的精確累加，預(yù)測(cè)腫瘤區(qū)域的控制情況和評(píng)估危及器官所受到的放射損傷等，對(duì)提高放療預(yù)后和病人生存質(zhì)量均有重要的臨床意義。

Valdes等[35]利用機(jī)器學(xué)習(xí)技術(shù)預(yù)測(cè)立體定向放射治療（Stereotactic Radiotherapy，SBRT）I期非小細(xì)胞肺癌患者的放射性肺炎發(fā)生風(fēng)險(xiǎn)，并確定了使患者發(fā)生放射性肺炎的臨床相關(guān)閾值，這些閾值可為放療醫(yī)生制定放療計(jì)劃提供可靠的參考。Ibragimov等[36]利用125例肝臟SBRT患者的數(shù)據(jù)，建立劑量--肝膽毒性深度學(xué)習(xí)模型。研究結(jié)果顯示AUC為0.79，與基于劑量體積直方圖的預(yù)測(cè)相比，深度學(xué)習(xí)預(yù)測(cè)產(chǎn)生的假陽(yáng)性毒性幾乎少了2倍，假陰性的數(shù)量減至最低。該模型顯著性地自動(dòng)估計(jì)門靜脈區(qū)域的毒性風(fēng)險(xiǎn)，提供了臨床上準(zhǔn)確預(yù)測(cè)肝膽毒性的工具，并可自動(dòng)識(shí)別SBRT期間至關(guān)重要的解剖區(qū)域。

Oberije等[37]在前瞻性研究中，開發(fā)和驗(yàn)證用于預(yù)測(cè)放化療的肺癌患者的兩年生存率，呼吸困難和吞咽困難發(fā)生概率的統(tǒng)計(jì)模型。研究者將模型預(yù)測(cè)結(jié)果與醫(yī)生基于指南提供的概率進(jìn)行比較，結(jié)果顯示模型預(yù)測(cè)會(huì)明顯優(yōu)于醫(yī)生的預(yù)測(cè)，在模型的基礎(chǔ)上識(shí)別疾病風(fēng)險(xiǎn)有助于個(gè)體化治療。Zhen等[38]基于深度卷積神經(jīng)網(wǎng)絡(luò)建立了宮頸癌患者放射治療中的直腸毒性預(yù)測(cè)模型，以揭示近距離放射治療和體外放射治療的直腸劑量--毒性關(guān)系。結(jié)果顯示該模型總準(zhǔn)確率為88.1%，靈敏度為75%，特異性為93.3%，AUC為0.96。此外，Dean等[39]基于機(jī)器學(xué)習(xí)方法對(duì)頭頸部腫瘤放療引起的嚴(yán)重急性口腔粘膜炎的概率建模，以指導(dǎo)臨床決策并為治療計(jì)劃提供參考信息。研究者建立了logistic回歸模型、支持向量分類模型和隨機(jī)森林分類模型，并進(jìn)行了比較。結(jié)果顯示隨機(jī)森林分類模型校正效果最佳，該模型的平均AUC和校準(zhǔn)斜率分別為0.71和3.9，但應(yīng)該進(jìn)行改進(jìn)并且需要外部驗(yàn)證。

2.4 預(yù)測(cè)預(yù)后

醫(yī)學(xué)中的預(yù)測(cè)建模涉及計(jì)算模型的開發(fā)，其能夠分析大量數(shù)據(jù)以預(yù)測(cè)個(gè)體患者的醫(yī)療保健結(jié)果。當(dāng)要建模的數(shù)據(jù)太復(fù)雜而傳統(tǒng)的統(tǒng)計(jì)技術(shù)無(wú)法快速有效地處理時(shí)，機(jī)器學(xué)習(xí)技術(shù)，特別是深度神經(jīng)網(wǎng)絡(luò)是合適之選。近年來神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于圖像分析，因?yàn)樗鼈兙哂刑崛?fù)雜特征的功能，可構(gòu)建強(qiáng)大的預(yù)測(cè)模型。

Li等[40]開發(fā)了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的生存分析方法，以學(xué)習(xí)影像信息和生存風(fēng)險(xiǎn)之間的非線性關(guān)系。研究結(jié)果表明深度卷積神經(jīng)網(wǎng)絡(luò)生存分析方法比現(xiàn)有的放射學(xué)方法更好地預(yù)測(cè)腫瘤復(fù)發(fā)風(fēng)險(xiǎn)。同樣，Bibault等[41]利用深度學(xué)習(xí)和放射組學(xué)預(yù)測(cè)局部晚期直腸癌患者新輔助放化療后的反應(yīng)，研究者使用來自三個(gè)機(jī)構(gòu)的新輔助放化療的T2-4 N0-1直腸癌患者數(shù)據(jù)建立深度神經(jīng)網(wǎng)絡(luò)模型，結(jié)果顯示模型預(yù)測(cè)準(zhǔn)確率為80%，優(yōu)于線性回歸模型（69.5%）和支持向量機(jī)模型（71.58%）。該模型正確預(yù)測(cè)了多中心隊(duì)列中80%的患者在新輔助直腸癌放化療后的反應(yīng)，預(yù)測(cè)結(jié)果有助于確定哪些患者可以從保守治療中獲益。

Aneja等[42]將患者影像數(shù)據(jù)和臨床危險(xiǎn)因素進(jìn)行整合，建立立體定向放射治療后的非小細(xì)胞肺癌患者2年局部復(fù)發(fā)預(yù)測(cè)模型，該研究對(duì)接受治療的344例T1-2N0M0非小細(xì)胞肺癌患者隨訪至少2年，結(jié)果顯示將影像數(shù)據(jù)和臨床危險(xiǎn)因素相結(jié)合的機(jī)器學(xué)習(xí)模型優(yōu)于傳統(tǒng)的模型，與其他機(jī)器學(xué)習(xí)算法相比，深度神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)能力，值得進(jìn)一步研究以預(yù)測(cè)其他種類的癌癥。Mobadersany等[43]通過深度學(xué)習(xí)方法將數(shù)字病理學(xué)圖像和基因組生物標(biāo)志物數(shù)據(jù)整合，以建立預(yù)測(cè)膠質(zhì)瘤患者總生存期的模型。該方法在預(yù)測(cè)生存方面的準(zhǔn)確性可以媲美或超過訓(xùn)練有素的人類專家，這些結(jié)果突出了深度學(xué)習(xí)在精準(zhǔn)醫(yī)學(xué)中的新興作用，并證明了在未來病理學(xué)實(shí)踐中擴(kuò)展組織學(xué)計(jì)算分析的實(shí)用性。同樣，Lao等[44]基于深度學(xué)習(xí)建立放射組學(xué)模型，研究結(jié)果表明，基于深度學(xué)習(xí)的影像學(xué)特征能夠預(yù)測(cè)多形性膠質(zhì)母細(xì)胞瘤患者的總體生存和預(yù)后，也表明基于影像特征的生物標(biāo)志物在多形性膠質(zhì)母細(xì)胞瘤患者術(shù)前護(hù)理中的潛力。

Hosny等[45]基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)5個(gè)機(jī)構(gòu)的1194例非小細(xì)胞肺癌患者進(jìn)行了回顧性多隊(duì)列放射組學(xué)的肺癌預(yù)后分析，研究發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與患者2年總生存率顯著相關(guān)，還能夠?qū)⒒颊唢@著分層為低死亡率和高死亡率風(fēng)險(xiǎn)組。研究結(jié)果表明，基于非小細(xì)胞肺癌患者的CT圖像，深度學(xué)習(xí)網(wǎng)絡(luò)可用于死亡風(fēng)險(xiǎn)分層，促使未來的研究更好地對(duì)前瞻性數(shù)據(jù)的驗(yàn)證，但是研究受到回顧性性質(zhì)和深度學(xué)習(xí)黑盒問題的限制。Jochems等[46]開發(fā)了一種預(yù)測(cè)非小細(xì)胞肺癌患者放化療或單獨(dú)放療后的生存模型，該模型使用分布式學(xué)習(xí)方法對(duì)來自3個(gè)國(guó)家的多個(gè)腫瘤中心患者進(jìn)行了驗(yàn)證，結(jié)果表明該模型優(yōu)于黃金標(biāo)準(zhǔn)“TNM分期”，且基于分布式學(xué)習(xí)的預(yù)測(cè)模型能夠?qū)W習(xí)來自多個(gè)機(jī)構(gòu)的數(shù)據(jù)，避免了數(shù)據(jù)共享障礙。

3 總結(jié)

近來，隨著AI的出現(xiàn)，特別是機(jī)器學(xué)習(xí)在許多領(lǐng)域和學(xué)科中表現(xiàn)出了非凡的能力，如醫(yī)療領(lǐng)域。AI在未來的腫瘤放射治療中有廣闊的應(yīng)用前景。過去，放療科醫(yī)生以自己的臨床知識(shí)和經(jīng)驗(yàn)為基礎(chǔ)，根據(jù)病人的癥狀和檢查結(jié)果診治疾病，如今，AI技術(shù)幫助醫(yī)生更好地完成靶區(qū)勾畫和計(jì)劃設(shè)計(jì)等，為放療醫(yī)生提供一個(gè)“超級(jí)助手”。最近人們?cè)絹碓疥P(guān)注AI方法的可解釋性，這意味著我們需要解釋機(jī)器決策，預(yù)測(cè)并證明其可靠性。不幸的是，深度學(xué)習(xí)的黑盒問題仍然沒有得到解決，許多機(jī)器決策仍然知之甚少，以致很少的研究可重復(fù)進(jìn)行。在百家爭(zhēng)鳴的時(shí)代，各個(gè)研究機(jī)構(gòu)都宣稱自己具有某種功能的AI系統(tǒng)，但是這些系統(tǒng)是否能夠達(dá)到他們宣傳的效果，是需要非常嚴(yán)格的臨床驗(yàn)證的，最近有韓國(guó)研究學(xué)者對(duì)醫(yī)學(xué)影像AI算法的可重復(fù)性問題進(jìn)行了調(diào)查分析。文章選取了2018年發(fā)表的516篇原始研究論文，發(fā)現(xiàn)僅6%（31個(gè)研究）進(jìn)行了外部驗(yàn)證，但外部驗(yàn)證又缺乏嚴(yán)格的設(shè)計(jì)，缺少多中心、前瞻性的驗(yàn)證數(shù)據(jù)，現(xiàn)階段的醫(yī)學(xué)AI技術(shù)，在真實(shí)臨床落地應(yīng)用前，需要經(jīng)過嚴(yán)格的外部驗(yàn)證作為評(píng)判手段和標(biāo)準(zhǔn)[47]。隨著AI的到來以及與第五代移動(dòng)通信技術(shù)、大數(shù)據(jù)等前沿技術(shù)的充分整合和運(yùn)用，AI在腫瘤放射治療領(lǐng)域必然將呈現(xiàn)出強(qiáng)大的影響力和生命力，對(duì)促進(jìn)醫(yī)療資源共享下沉、提升醫(yī)療效率和診斷水平、協(xié)助推進(jìn)偏遠(yuǎn)地區(qū)的遠(yuǎn)程診治等起到重要的支撐作用。