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(biāo)。RT 計(jì)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(xùn)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(yù)計(jì)全球放射腫瘤學(xué)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(xué)人工智能計(jì)劃下開發(fā)并驗(yàn)證了一種深度學(xué)習(xí)算法，該算法可以識別和勾勒(“分段”)非小細(xì)胞肺癌 (NSCLC)腫瘤在幾秒鐘內(nèi)進(jìn)行計(jì)算機(jī)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(xué)家的表現(xiàn)與不使用該算法的醫(yī)生一樣，同時(shí)工作速度提高了 65%。
“人工智能應(yīng)用于醫(yī)學(xué)的最大轉(zhuǎn)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(xué)系的通訊作者 Raymond Mak 醫(yī)學(xué)博士說。“我們正在研究如何建立人類與人工智能的伙伴關(guān)系和協(xié)作，從而為患者帶來更好的結(jié)果。這種方法對患者的好處包括在分割腫瘤和加快治療時(shí)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(jì)算機(jī)工作，這可以減少倦怠并增加他們與患者相處的時(shí)間。”
研究人員使用來自 787 名患者的 CT 圖像來訓(xùn)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(yàn)證算法涉及數(shù)據(jù)科學(xué)家和放射腫瘤學(xué)家之間的密切合作。例如，當(dāng)研究人員觀察到該算法錯誤地分割了涉及淋巴結(jié)的 CT 掃描時(shí)，他們使用更多此類掃描重新訓(xùn)練模型以提高其性能。
最后，研究人員要求八位放射腫瘤學(xué)家執(zhí)行分割任務(wù)，并對另一位專家醫(yī)生或算法產(chǎn)生的分割進(jìn)行評級和編輯(他們沒有被告知是哪一個)。人機(jī)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(shí)，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(xiàng)盲法研究中，他們還對 AI 繪制的分割質(zhì)量進(jìn)行了比人類專家繪制的分割更高的評價(jià)。
展望未來，研究人員計(jì)劃將這項(xiàng)工作與他們之前設(shè)計(jì)的 AI 模型結(jié)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(fēng)險(xiǎn)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(guān)系有助于而不是傷害臨床實(shí)踐，并正在開發(fā)第二種獨(dú)立的分割算法，可以驗(yàn)證人類和人工智能繪制的分割。
“這項(xiàng)研究提出了一種新的人工智能模型評估策略，強(qiáng)調(diào)人與人工智能協(xié)作的重要性，”共同作者、放射腫瘤學(xué)系的 Hugo Aerts 博士說。“這尤其必要，因?yàn)橛?jì)算機(jī)模擬(計(jì)算機(jī)建模)評估可以給出與臨床評估不同的結(jié)果。我們的方法可以幫助為臨床部署鋪平道路。”
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！