斯坦福大學邢磊演講乾貨：深度學習在放療中的應用

作為醫學影像方面的技術專家和實戰專家，斯坦福大學醫學物理中心主任、匯醫慧影首席科學家邢磊教授近日連續受邀參加國內外放射放療學術會議，包括2017美國醫學物理年會（AAPM）, 成都圖像計算與數字醫學國際研討會, 第一界人工智慧在醫學中的應用峰會， 美國放射腫瘤學會（ASTRO）年會, 以及由北京醫師協會放射專科醫師分會等。近年來AI技術被廣泛討論。 如何將AI融合臨床，如何幫助影像醫生釋放更多價值，如何從影像診斷為切入點，用AI來深入腫瘤治療全鏈條，也是當前熱門話題，這是一場數據和演算法的博弈，更是診斷與治療的彼此協同。

斯坦福大學醫學物理系主任、斯坦福大學傑出教授邢磊博士攜匯醫慧影人工智慧分析雲平台（英文版）亮相各峰會。 邢教授的主題為《AI在臨床診療中的應用》的精彩分享博得了廣大與會者的一致贊同。邢磊教授是美國斯坦福大學終身教授、 同時兼任斯坦福電子工程系、分子影像及生物信息專業以及Bio-X的教授。他從事醫學影像，醫學物理以及醫學信息方面的教學研究長達20餘年，發表了300餘篇專業論文，並主持過多個NIH、DOD、NSF、ACS、RSNA等機構的重大科研項目，曾獲美國癌症協會研究學者獎、美國醫學物理學會 (AAPM) 最佳論文獎、及谷歌研究獎。邢磊博士同時還是AAPM和 AIMBIE（美國醫學與生物工程院）會士, 國家「千人計劃」專家。以下是邢磊博士的分享原文集萃，雷鋒網做了不改變原意的編輯：

臨床痛點催生AI在醫學中的應用機會

討論AI在醫學中的應用， 首先要弄清楚什麼是醫學。現代醫學是循證醫學（Evidence-based Medicine），主要包含三個部分：臨床經驗、科學數據和患者的實際狀況和意願。

。這三點看著簡單，臨床實踐起來卻很困難。醫學是科學也是一門藝術，涉及醫生的素質和經驗積累。正因如此，臨床醫學中存在著許多問題，給AI在醫學領域的應用創造了絕佳的機會。

首先，臨床採集到的數據常帶有一定的偏差和不確定性。用這些經驗數據來做臨床決策是一個十分複雜的過程。這個過程通常很難或根本無法用一般的簡單數學模型來描述。 其次， 目前放射科和放療科業務重複、勞動強度大。第三，建設醫學影像部門成本高昂，各大三甲醫院和市縣鄉級醫院之間的基礎設施相差懸殊。而AI技術可以隨著應用規模擴大，邊際成本不斷降低，擁有無可比擬的優勢。 AI技術的應用可以將醫生從很多繁複低效的工作中解放出來， 提高醫務工作者的平均水平和效率，使他們能夠把寶貴的時間精力花在更有價值的創造性的臨床工作上。 更進一步，臨床試驗往往耗時很長，從有結果到真正應用於臨床，往往需要三至五年。AI技術的應用可以加速臨床試驗效率。可以毫不誇張地說，AI是實現個體化醫療的一項不可缺少的技術。

在循證醫學中，臨床決定是和證據和數據緊密相連的。伴隨著科學及醫療技術的突飛猛進，數據越多， 臨床決定的維度也就越多。從認知能力的角度來說， 一個人可以同時考慮的變數個數是很有限的。同一時間內能自如地處理十個因素的，就可算作superman了。但現實中， 一個腫瘤醫生要考慮的因素往往要遠遠超過這個維度， 其難度和不確定性可想而知。

此外，我們正處在一個知識大爆炸的時代。每天都有關於的文章發表，而這些知識的半衰期平均只有幾年，很容易過時被人們遺忘。因此，應用AI來快速提取數據精華用於臨床是十分重要的。

相信各位專家對計算機輔助診斷——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，湧現了很多公司。 後來被Hologic Inc. 收購的R2 Technology是其中一家比較有名的代表。隨著計算機的計算能力增強，以及GPU的出現，深度學習逐漸走向大家的視線。 如今，深度學習已經廣泛應用到了我們的日常工作和生活中。

機器學習的過程與兒童認知的過程很相似： 通過大量的現有樣本訓練機器，告訴它什麼是貓什麼是狗。學習一定數量的樣本之後，機器在其他不同場合見到小貓小狗時，就能將它們識別出來。現實生活中用到這種能力的場景很多。放射科醫生根據自身經驗，參考病人的病史和其他臨床信息做出診斷就是一個經典的例子。

機器學習可以分為三大類 。我們首先要用大量的數據來訓練出模型後，才能對新的數據進行分析判斷和預測。 近幾年，深度學習十分火熱，這可能和跟人際圍棋大戰有莫大的關係：）。其實，機器戰勝人類已經不是第一次了。早在十年前，IBM的Deep Blue就已經擊敗了象棋界的國際象棋棋王卡斯帕羅夫。 最近AlphaGo的兩次人機大戰又把人工智慧推到了新的高度，因為圍棋一直被譽為是「人類智慧皇冠上的明珠」。

深度學習和強化深度學習是目前醫學影像領域使用最多的技術。 它們可以用來解決很多以前無法解決的難題 。今年斯坦福計算機系的S. Thrun在Nature上發表的有關皮膚癌檢測的研究成果可以說是一個很成功的案例。他們基於近13萬例皮膚癌樣本，訓練了一個CNN深度學習模型，然後用了約2000個樣本對其進行測試。該模型的性能可與經驗豐富的皮膚科醫生媲美。

在充分挖掘人工智慧的潛力， 打造一個全球化的智能醫療影像平台方面，匯醫慧影一直走在行業的最前沿。匯醫慧影正在利用深度學習來模擬人腦對三維圖像的認識過程，並取得了驚人的進展。人腦會從顏色、形狀、抽象識別等五個維度對圖像進行處理。因此不同區域模擬認知過程的演算法不盡相同。他們在實踐中積累了大量的經驗，在配齊大量的臨床數據積累、提高計算效率，優化深度學習演算法，和構建不斷自我提高的模型方面取得了優異的進展。

AI在放療中有很多應用，比如如何預測肝癌肺癌放療可能產生的副作用。用深度學習模型可替代現有的諾模圖， 從而實現準確度更高的個體化預測。現有方法是在給出劑量分布後，通過一些指標評估預測放療的毒性，比如平均劑量大於多少會產生臨床上無法接受的毒性。使用深度學習模型可以代替這些舊的指標，不再依靠僅有的幾個參數做臨床決定。

我們用大量病人的影像、治療計劃和治療後的毒性等數據，構建了世界上第一個基於深度學習的肝癌放療模型。它可以方便準確地對新病人的預後進行預測。 和實際臨床觀測到的預後相比發現，深度學習的預測要比現有模型要準確得多。這可以說是深度學習在放療轉化醫學中的首次實質性應用。

放療過程是很個體化的，需要根據病人的解剖學特徵和腫瘤位置不斷進行優化，這是個很複雜的過程。因此，制定治療計劃是一件非常耗時的工作。一般而言， 一個經驗豐富的技術人員為複雜病人制定治療計劃經常要花費幾小時到幾天的時間。我們科室每年大概有三千多例病人，可想而知需要耗費多少時間和精力。 用深度學習制定治療計劃，可以大幅度地提高制定治療計劃效率和質量。目前，我們已經將谷歌AlphaGo的演算法成功地應用到了治療計劃的優化中。 我們將利用該演算法制定的治療計劃與人工計划進行比較，結果比現有的方法所產生的計劃都好， 且易於在加速器上實現。

在用MRI來進行心臟等運動器官的成像或使用MRI引導放療，需要迅速實時地採集並重建MRI圖像。現有的MRI每秒可生成 4-8幀平面圖像。用深度學習模型可以極大地縮短三維MRI圖像重建所需的時間， 使「實時」的四維MRI圖像重建成為可能。機器學習也同樣可以應用於CT圖像的重建。在CT成像時， 病人通常要接受1-5 cGy的輻射劑量，如果劑量降低，雜訊信號就會顯著升高，導致圖像質量下降。我們用以前病人的CT數據構建一個模型，利用該模型與新的低劑量數據聯合進行重建。從而將大大地降低了CT成像的輻射劑量。

三、AI及影響組學在圖像分析及臨床中的應用

深度學習在疾病篩查檢測方面的應用研究也很活躍，新方法新技術層出不窮。 比如，我們實驗室正在用深度學習來改進現有的前列腺癌的檢測方法。大致地講，當發現前列腺特異性抗原（PSA）升高時，一般要靠MRI及活檢來確診。 我們通過大量的病人影像及診斷結果，利用深度學習來進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和痛苦。

相信各位對放射組學都熟悉。說到放射組學，順便向大家介紹一本書，題目是「Radiomics and Radiogenomics」，是由我和斯坦福的三位同事一同編寫的，將於明年初夏出版。利用放射組學，可以對特徵值進行篩選。 我們最近在Radiology上發表了用放射組學研究膠質瘤預後的文章。另外， 膠質瘤的治療中，一個很重要的臨床問題就是如何區分假進展和真進展。治療後病人的定期複查中，對上述兩種情況的治療決定是完全不同的——前者要停葯，後者要繼續治療。利用神經網路，應該可以很好地解決這一問題。

到目前為止，計算機視覺的研究應用主要是在二維空間里進行的。而醫學影像幾乎全是三維甚至四維的，比如CT、MRI、PET等。真正意義上的醫學影像學習和處理實際才剛剛起步。 除了演算法，AI應用於醫學領域的另一關鍵是數據和如何有效地進行數據交換。深度學習需要不斷地改進模型，因此需要海量數據。 匯醫慧影平台可以將數據以大家所認同的格式存放在雲端，供多個專家共享 －這對大數據處理和深度學習是至關重要的。除了影像和電子病歷（EMR）數據，今後我們還希望能將病人的基因組學數據、可穿戴數據等也融入進去，從而更加方便地進行多方位深度學習。數據共享實際上是一個大問題，涉及技術、管理，社會等各個方面。有篇發表在Lancet Oncology上的文章曾對此做了深入的探討， 裡面提到的數據共享的障礙在中國也普遍存在。 我相信，伴隨著大量的高質量數據湧出，未來AI在臨床應用的前景是非常樂觀的。

最後總結歸納一下，今天我主要舉例討論了深度學習在診斷、圖像重建、放療決策等方面的應用。目前，人工智慧在醫學領域的應用才剛剛開始， 真正實現臨床醫學上的實質性應用估計還需要三至五年。未來還有很長的路要走。至於AI將來能否取代醫生這個「永恆的話題」， 我們以後換個比較輕鬆的環境再討論吧：）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！