AI在醫療的應用以群企蜂擁而至的影像輔助診斷而為人熟知，但在影像之外，還有一條門(mén)檻更高的細分賽道，將產(chǎn)品切入醫療的核心——治療環(huán)節，這條賽道就是“AI+放療”。

       在腫瘤的輔助治療領(lǐng)域，人工智能可以幫助放療醫師提供更精確、更智能、更快速高效的個(gè)性化臨床放療方案，以提高放療對癌癥的治愈率，減少放療對正常組織的損傷，最終延長(cháng)癌癥病人的生命。

       在連心醫療2018CSTRO衛星會(huì )上，動(dòng)脈網(wǎng)記者與會(huì )議特邀嘉賓，美國AI+放療領(lǐng)域前沿學(xué)者，來(lái)自美國德州大學(xué)西南醫學(xué)中心的蔣彬教授進(jìn)行了對話(huà)，探究腫瘤放療領(lǐng)域面臨的現狀與痛點(diǎn)，以及AI在放療領(lǐng)域能解決的問(wèn)題。

       德州大學(xué)西南醫學(xué)中心Barbara Crittenden講座教授，放射腫瘤系副主任，醫學(xué)物理與工程部主任。目前的主要科研方向人工智能在醫療中的應用、基于云的自動(dòng)放療計劃、以及在線(xiàn)自適應放療。他帶領(lǐng)的西南醫學(xué)中心Medical Artificial Intelligence and Automation (MAIA) Lab研究團隊，是全美以“AI+放療”為研究方向的、規模的科研團隊。

       1998年到2000年在斯坦福大學(xué)攻讀博士后；2000年成為哈佛醫學(xué)院麻省總醫院助理教授；2007年加入加州大學(xué)圣地亞哥分校任終身教授，創(chuàng )立先進(jìn)放療技術(shù)中心，并于2011年成為終生正教授；2013年加入德州大學(xué)西南醫學(xué)中心，任Barbara Crittenden講座教授，放射腫瘤系副主任，醫學(xué)物理與工程部主任。

       在學(xué)術(shù)研究成果方面，蔣彬教授是英國物理學(xué)會(huì )和美國醫學(xué)物理師協(xié)會(huì )會(huì )士，多家國際期刊編委，發(fā)表170余篇論文（H因子67），培養了30多名博士后和10多名博士。

       蔣彬教授目前擔任連心醫療的科學(xué)顧問(wèn)，為連心的AI+放療產(chǎn)品提供建議。同時(shí)，雙方共同致力于將科研成果轉化為臨床應用。

       腫瘤放療痛點(diǎn)

       放療作為癌癥治療的三大手段之一，近年來(lái)由于精準度高、適應度廣、副作用小、創(chuàng )傷較少等優(yōu)勢逐漸受到重視。放射治療是一個(gè)復雜的過(guò)程，從患者定位、靶區勾畫(huà)、計劃制作到計劃實(shí)施，任何一個(gè)部分稍有疏漏，都將出現嚴重的后果。

       以目前大多數企業(yè)涉及的頭頸癌危及器官AI自動(dòng)勾畫(huà)為例。每年有超過(guò)六十萬(wàn)人被診斷患有頭頸部癌癥，其中許多人選擇接受放射治療。 但頭頸部重要器官比較集中，解剖關(guān)系復雜，如果在治療前未仔細隔離，放療時(shí)周?chē)M織可能會(huì )嚴重受損。

       在頭頸癌放療過(guò)程中，醫生根據患者 CT 圖像手動(dòng)勾畫(huà)放療靶區和危及器官（Organ at Risk，OaR），目的是限度將放射劑量集中在靶區內，而讓周?chē)＝M織或器官少受或免受不必要的傷害。然而，勾畫(huà)過(guò)程非常耗時(shí)，降低診療效率的同時(shí)，更是延誤了患者的治療時(shí)間。

       在連心醫療2018CSTRO衛星會(huì )上，浙江省醫學(xué)會(huì )放射腫瘤學(xué)分會(huì )副主任委員、浙江大學(xué)附屬第一醫院放療科主任嚴森祥也曾提到：“放療行業(yè)中從事放射腫瘤學(xué)科的比例只有18%左右，但是放療科醫生需要比化療科醫生花費更多的時(shí)間來(lái)熟悉病人，學(xué)習周期就更長(cháng)。”

       據了解，腫瘤醫生制定放療計劃時(shí)，靶區勾畫(huà)與治療方案設計往往要占用大量時(shí)間。每個(gè)腫瘤病人的CT圖像在200張左右，醫生在勾畫(huà)的時(shí)候，需要給每個(gè)圖片上的器官、腫瘤位置進(jìn)行標注。

       這個(gè)過(guò)程按照傳統的方法要耗費醫生3-5個(gè)小時(shí)，找到腫瘤位置之后，醫生還需要根據腫瘤的大小、形狀等設計放射線(xiàn)的具體治療方案，這里面也包含了不同位置不同的放射劑量。

       人工智能在放療領(lǐng)域的應用，可以解決現今的兩大痛點(diǎn)：放射腫瘤科醫生缺乏以及放療的技術(shù)難點(diǎn)導致的方案制定耗時(shí)過(guò)長(cháng)。將簡(jiǎn)單的事情交給人工智能而讓醫生承擔高精尖的任務(wù)，承擔更有挑戰的任務(wù)，對整個(gè)放療生態(tài)的發(fā)展非常有價(jià)值。

       如連心醫療在本次大會(huì )上發(fā)布的連心智能放療云3.0，就實(shí)現了54個(gè)器官的智能自動(dòng)勾畫(huà)（不區分左右），覆蓋了全身主要部位。AI智能勾畫(huà)，可以使原本需要花費數小時(shí)的勾畫(huà)工作縮短到幾分鐘。

       MAIA Lab——全美“AI+放療”研究團隊

       蔣彬教授帶領(lǐng)的西南醫學(xué)中心Medical Artificial Intelligence and Automation (MAIA) Lab，聚集了一群致力于利用人工智能（AI）技術(shù)解決醫學(xué)問(wèn)題的醫學(xué)物理師，該研究團隊是全美以“AI+放療”為研究方向的、規模的科研團隊，也是實(shí)力最強的團隊之一，擁有在醫學(xué)物理科研屆比較知名的中青年物理師如賈珣、王晶、顧薛君、盧衛國等人。

       蔣彬教授在采訪(fǎng)中表示，我們團隊在全力探索人工智能（AI）技術(shù)的巨大能力和潛力及其對醫學(xué)領(lǐng)域的影響。MAIA Lab的目標是讓智能醫療設備和AI技術(shù)為臨床醫生賦能，推動(dòng)臨床知識的迭代效率，以最終改善治療結果并提高患者安全。人工智能之所以能夠解決醫療中的痛點(diǎn)，表現在于三方面：

       一是有比醫生做得好的地方。在醫療診斷的過(guò)程中，醫學(xué)圖像和其他醫療數據中會(huì )隱藏一些比較深的信號，醫生的肉眼無(wú)法辨別，而人工智能可以以高精度的方式辨別高緯度空間中隱藏的深層信息；

       二是不見(jiàn)得比醫生做得好，但是比醫生做得快。如在A(yíng)I危及器官勾畫(huà)的過(guò)程中，可以把原本醫生需要數個(gè)小時(shí)才能完成的勾畫(huà)工作縮短到短短幾分鐘，并且在現有的技術(shù)下，已經(jīng)實(shí)現較高的準確度。

       三是可能沒(méi)有資深醫生做得好，但是可以服務(wù)資源匱乏的基層醫療機構。人工智能可以學(xué)習資深醫生、大醫院的經(jīng)驗，幫助年資低的醫生和基層醫療機構的醫生提出準確的診斷和治療方案。一個(gè)可能的應用是臨床靶區的勾畫(huà)。

       “這次人工智能的浪潮，我認為會(huì )真正改變世界。”蔣彬教授這樣對記者說(shuō)。

       在斯坦福大學(xué)攻讀博士后與哈佛醫學(xué)院麻省總醫院期間，蔣彬教授的主要研究方向是蒙特卡洛劑量計算以及圖像引導和運動(dòng)器官的管理。

       2009年在加州大學(xué)圣地亞哥分校任教期間，蔣教授成為第一批開(kāi)始嘗試利用GPU來(lái)加速計算，改進(jìn)放射治療的開(kāi)拓者，并建立先進(jìn)放療技術(shù)中心，組建該領(lǐng)域最早且規模的團隊。隨后，在德州大學(xué)西南醫學(xué)中心任職期間，更是建立了全美的AI+放療團隊，延伸他們在GPU通用計算方面的傳統，用深度學(xué)習來(lái)改進(jìn)癌癥放療技術(shù)。

       在A(yíng)I+醫療的應用領(lǐng)域，蔣彬教授及其MAIA Lab的同事主要研究方面包括放療中的器官分割與靶區勾畫(huà)、人工智能自動(dòng)治療計劃、治療效果與**預測、同行審查與醫療錯誤檢測、影像重建、復原與判讀以及可穿戴設備與智能診所。

       在研究成果與商業(yè)化應用結合方面，蔣彬教授的團隊與國內AI+放療領(lǐng)域的創(chuàng )新企業(yè)連心醫療合作獲得頂尖的AI算法，雙方發(fā)揮各自的資源和優(yōu)勢，共同推動(dòng)將AI技術(shù)向產(chǎn)品轉化，提升腫瘤治療的效率和精確度。

       談到科研成果與商業(yè)化之間普遍存在的鴻溝，蔣彬教授表示，研究人員對產(chǎn)品開(kāi)發(fā)不熟悉或者不愿意投入太多精力，商業(yè)公司對于最新科研成果不了解或者不信任，因此需要第三方來(lái)協(xié)同科研團隊與企業(yè)之間的合作，而校企共建聯(lián)合實(shí)驗室是一個(gè)很好的方式，如IBM與麻省理工學(xué)院的聯(lián)合實(shí)驗室，騰訊和美國加州大學(xué)合作的醫療AI 實(shí)驗室。

       AI+放療的下一步要攻克靶區勾畫(huà)和自動(dòng)治療計劃

       放療在醫療里面是很特殊的專(zhuān)業(yè)。技術(shù)性非常強，并且在電子化、數據化方面是走在其他專(zhuān)業(yè)的前面，因此，蔣彬教授認為，放療很適合人工智能介入解決問(wèn)題。

       對于目前市場(chǎng)中的AI+放療企業(yè)來(lái)說(shuō)，產(chǎn)品的差異體現在算法的不同上。如何在A(yíng)I+放療的應用領(lǐng)域發(fā)揮企業(yè)的差異化優(yōu)勢，蔣彬教授指出，需要在下一步應用中，考慮靶區勾畫(huà)和人工智能自動(dòng)治療計劃，這也是MAIA Lab現在的研究重點(diǎn)。

       臨床靶區（CTV）勾畫(huà)是放療控制腫瘤復發(fā)轉移的關(guān)鍵，也是靶區勾畫(huà)技術(shù)難度、最耗時(shí)的部分。如果CTV沒(méi)有畫(huà)好，治療不到位，引起腫瘤復發(fā)，患者就很難再治愈。“器官勾畫(huà)基本上只是省時(shí)間而已，而靶區勾畫(huà)不光是省時(shí)間，而是真的能夠提高治療的效果。”

       對于器官勾畫(huà)而言，圖像的基本信息足夠支撐AI來(lái)進(jìn)行規劃，而對于靶區勾畫(huà)而言，技術(shù)上的實(shí)現難度在于靶區勾畫(huà)更多的要依靠醫生對圖像的想象。在這個(gè)環(huán)節，醫生和醫生之間都很難有一個(gè)統一的標準，因此，人工智能也很難用標準的算法來(lái)呈現。

       蔣彬教授表示，醫生如何進(jìn)行勾畫(huà)，信息并不是在圖像里，而是在醫生的大腦里，所以人工智能該如何學(xué)習醫生的思維進(jìn)行靶區勾畫(huà)，是一件比較難的事情。“醫療在很大程度上是一門(mén)藝術(shù)，要依靠醫生的經(jīng)驗、直覺(jué)等很多因素。而在沒(méi)有‘金標準’的情況下，就只能向的藝術(shù)家學(xué)習，也就是向公認的醫生學(xué)習。”

       也正因為此，在沒(méi)有“金標準”的地方，人工智能其實(shí)有很多發(fā)揮空間。比如西南大學(xué)醫學(xué)中心開(kāi)發(fā)的深度學(xué)習的模型，可以告訴醫生智能勾畫(huà)結果可能的不確定性，那么醫生就可以針對于不確定性大的部位進(jìn)行檢查，從而節省大量時(shí)間，這一點(diǎn)很重要。”

       蔣彬教授所在的MAIA Lab的另一個(gè)研究方向——AI自動(dòng)放療計劃方面，可以根據勾畫(huà)的器官和靶區直接預測三維劑量分布。此外，可以將醫生不同的治療考量加入到深度學(xué)習的模型中，以幫助醫生輸出更加個(gè)性化的治療方案。在劑量計算方面，計算的速度和精確度方面互相矛盾，但是應用深度學(xué)習的方法可以很好的解決這個(gè)問(wèn)題。同時(shí)，深度學(xué)習還可以大幅提高一般算法的精確度。

       AI不止簡(jiǎn)單粗暴的算法模型

       目前，AI很大程度上還是一個(gè)“黑盒”，AI為醫生進(jìn)行自動(dòng)勾畫(huà)時(shí)，往往還是要通過(guò)醫生的反復驗證，現在的AI還處于‘弱人工智能’的時(shí)代，在臨床上面怎樣讓醫生比較容易接受是AI產(chǎn)品能否落地的關(guān)鍵。

       而對于醫生而言，使用人工智能的決定性因素還是在于產(chǎn)品的精度。在保障AI自動(dòng)勾畫(huà)的精度方面，蔣彬教授提出了三種保證精度的方法：

       一是驗證數據。用大量不同醫院、不同人群的數據驗證算法的準確性；

       二是明確誤差。把不確定性同時(shí)用人工智能的方法算出來(lái)，使醫生查看勾畫(huà)結果時(shí)，可以針對不確定的地方多花點(diǎn)時(shí)間，而準確度較高的地方，可以少花時(shí)間；

       三是讓人工智能深度學(xué)習，變得可以解釋。把人工智能從“黑盒”變?yōu)橥该?，將計算邏輯呈現出來(lái)。在這一點(diǎn)上，存在難度。

       另外，蔣彬教授指出，現在許多人工智能的算法實(shí)際上是“簡(jiǎn)單粗暴”的計算，用一些常見(jiàn)的算法從大量的數據中得到一些不錯的結果。而隨著(zhù)產(chǎn)品進(jìn)入臨床的落地，包括FDA、CFDA的審核，從科研的角度來(lái)說(shuō)，“簡(jiǎn)單粗暴”的利用常見(jiàn)算法和大數據集 的模型會(huì )減少許多，而更多的團隊會(huì )開(kāi)始思考怎樣處理精細的小數據集，怎樣構建更好的算法，從小數據中也可以做出好的結果。

       真正的強人工智能需要有繼續學(xué)習甚至自主學(xué)習的能力，比如在一個(gè)模型訓練的結果不準確，機器可以在臨床應用的過(guò)程中自己處理不準確的地方，并自動(dòng)反饋到模型里面加以提高。也就是說(shuō)，機器要有自我進(jìn)化的能力。

       通俗的來(lái)說(shuō)，人工智能產(chǎn)品在應用中，不僅要學(xué)習醫生的過(guò)往診療數據，而是要實(shí)現學(xué)習醫生的思維和智慧，將醫生的經(jīng)驗都囊括在算法里，達到計算機能夠像人一樣思考，而不是用簡(jiǎn)單粗暴的方法從大量原始數據中學(xué)習到規律。

       技術(shù)一定是進(jìn)步的，不會(huì )退步，更不會(huì )停止。“現在我們能夠做的、看到的還是非常早期的‘智能’。人工智能仍處于兩三歲小孩的時(shí)期，離成年還差得很遠，但是在這個(gè)時(shí)期人工智能能夠在一些領(lǐng)域發(fā)揮作用已經(jīng)很了不起了，我們需要等它成長(cháng)起來(lái)，而且也一定會(huì )成長(cháng)起來(lái)。