肺癌是全球最常見的癌癥,近一半的病例以放射治療 (RT) 為目標。RT 計劃是一個手動的、資源密集型的過程,可能需要數(shù)天到數(shù)周才能完成,即使是訓練有素的醫(yī)生在確定放射靶向多少組織方面也會有所不同。此外,隨著癌癥發(fā)病率的增加,預計全球放射腫瘤學從業(yè)者和診所的短缺將增加。
Brigham and Women's Hospital 的研究人員和合作者在麻省總醫(yī)院 Brigham 的醫(yī)學人工智能計劃下開發(fā)并驗證了一種深度學習算法,該算法可以識別和勾勒(“分段”)非小細胞肺癌 (NSCLC)腫瘤在幾秒鐘內進行計算機斷層掃描 (CT) 掃描。他們發(fā)表在《柳葉刀數(shù)字健康》上的研究還表明,在模擬診所中使用該算法的放射腫瘤學家的表現(xiàn)與不使用該算法的醫(yī)生一樣,同時工作速度提高了 65%。
“人工智能應用于醫(yī)學的最大轉化差距是未能研究如何使用人工智能來改善人類臨床醫(yī)生,反之亦然,”布里格姆放射腫瘤學系的通訊作者 Raymond Mak 醫(yī)學博士說。“我們正在研究如何建立人類與人工智能的伙伴關系和協(xié)作,從而為患者帶來更好的結果。這種方法對患者的好處包括在分割腫瘤和加快治療時間方面具有更高的一致性。臨床醫(yī)生的好處包括減少平凡但困難的計算機工作,這可以減少倦怠并增加他們與患者相處的時間。”
研究人員使用來自 787 名患者的 CT 圖像來訓練他們的模型以區(qū)分腫瘤與其他組織。他們使用來自越來越多的外部數(shù)據(jù)集的 1,300 多名患者的掃描來測試該算法的性能。開發(fā)和驗證算法涉及數(shù)據(jù)科學家和放射腫瘤學家之間的密切合作。例如,當研究人員觀察到該算法錯誤地分割了涉及淋巴結的 CT 掃描時,他們使用更多此類掃描重新訓練模型以提高其性能。
最后,研究人員要求八位放射腫瘤學家執(zhí)行分割任務,并對另一位專家醫(yī)生或算法產(chǎn)生的分割進行評級和編輯(他們沒有被告知是哪一個)。人機協(xié)作和人為(從頭)分割之間的性能沒有顯著差異。有趣的是,與手動生成的分割相比,在編輯 AI 生成的分割時,醫(yī)生的工作速度提高了 65%,變異減少了 32%,即使他們不知道自己正在編輯的是哪個分割。在這項盲法研究中,他們還對 AI 繪制的分割質量進行了比人類專家繪制的分割更高的評價。
展望未來,研究人員計劃將這項工作與他們之前設計的 AI 模型結合起來,這些模型可以識別在癌癥治療期間(例如心臟)接受不良輻射的“有風險的器官”,從而將它們排除在放射治療之外。他們正在繼續(xù)研究醫(yī)生如何與人工智能互動,以確保人工智能合作伙伴關系有助于而不是傷害臨床實踐,并正在開發(fā)第二種獨立的分割算法,可以驗證人類和人工智能繪制的分割。
“這項研究提出了一種新的人工智能模型評估策略,強調人與人工智能協(xié)作的重要性,”共同作者、放射腫瘤學系的 Hugo Aerts 博士說。“這尤其必要,因為計算機模擬(計算機建模)評估可以給出與臨床評估不同的結果。我們的方法可以幫助為臨床部署鋪平道路。”
標簽:
免責聲明:本文由用戶上傳,如有侵權請聯(lián)系刪除!