人工智能,特别是深度学习,已经广泛用于图像分类和分割,包括医学图像诊断和预后的预测。然而,使用深度学习在放射治疗预后模型仍然是有限的。
深度学习是机器学习和人工智能的一个子集,深层神经网络结构像人类的神经系统和被训练使用大数据。深度学习缩小之间的差距没有显式的编程数据采集和有意义的解释。它迄今为止表现最分类和回归方法,可以自动学习数据表示为特定任务。
深度学习放射肿瘤学的应用领域包括图像分割和检测,图像表现型和radiomic签名发现,临床结果预测,图像量化,剂量反应模型、辐射适应和图像生成。
一篇文章发表在临床肿瘤10研究主题分析指出,研究人员遭受同样的问题,困扰早期正常组织并发症概率模型,包括小,single-institutional病人群体,缺乏外部验证,可怜的数据和模型报告,使用后期毒性数据没有考虑到比较,而且几乎独家关注临床并发症。
然而,它补充说,这些研究证明辐射剂量,成像和临床数据可能在卷积神经技术集成为基础的网络模型;和一些研究探讨如何深入学习可以帮助更好的理解空间辐射敏感度的变化。一般来说,有几个问题具体放疗的交集结果造型和深度学习,例如,翻译模型发展到治疗计划优化需要一个额外的放射肿瘤学的共同努力和人工智能社区。
因此,使用机器学习和其他复杂的模型来帮助预测和决策已成为广受欢迎的整个学科的广度。在更大的诊断放射学、放射肿瘤学和医学物理学社区承诺在组织工作进行分类和癌症分期,结果预测,自动分割,治疗计划,质量保证以及其他领域。
展望未来的放射学
阿里Vahedi博士顾问Mubadala医疗专家,解释说,人工智能具有重要作用的当前和未来的放射学。目前,这是主要的形式帮助临床医生提高效率和诊断能力是至关重要的指数同比增长进行诊断测试。他补充说,人工智能有可能迅速评估一个巨大数量的成像数据,帮助优先列表和诊断,这将有助于减少报告时间,提高报告的准确性以及限制差异。此外,它将让放射科医生有更多的时间来研究直接病人护理和至关重要的。
阿里博士Vahedi
在医学物理学的进展杂志上发表的一项研究强调高质量的模拟三维(3 d) CT图像在创建放射治疗计划是必不可少的,因为肿瘤的电子密度和解剖信息和桨需要计算和优化剂量分布。
放射治疗中发挥着越来越主要的作用在癌症的多学科综合管理。随着放射治疗设备和治疗技术越来越先进,医疗物理学家的角色,确保病人的安全变得更加突出。深度学习的进步,其强大的优化能力各领域已经显示出非凡的适用性。其效用在放射肿瘤学和其他医学物理学领域在几个研究论文讨论和验证。这些研究领域的范围从放射治疗进程QA、医学图像超分辨率,物质的分解和2 d剂量分布反褶积。
Vahedi博士说,全球成像市场规模预计将增长,由许多因素,如医院和诊所的数量增长和不断上升的需求微创手术。
他补充说,药物治疗也非常需要快速进步规律的多峰性成像。此外,技术进步在医学成像设备也导致了增长,与制造商推出新产品,更紧凑,更划算,比他们的前辈们产生更少的电离辐射。这个改进的负担能力总是会改善病人的成像。它可以得出的结论是,在过去的几年里有了显著增加的兴趣以及深度学习技术在这个领域的性能。
取得了可喜的成果,证明基于深度学习系统可以帮助临床医生在日常工作中,无论是通过减少所需的时间,或者分割的可变性,通过帮助预测治疗效果和毒性。还有待观察,这些技术将被用于常规临床实践,但它看起来是合理的假设,我们很快就会看到AI有助于提高放射治疗。总之,应用深度学习在放射肿瘤学有很大潜力。
这篇文章发表在最新一期的Omnia健康杂志。今天在线阅读完整的问题。
