##AI医学 | 人工智能在肿瘤放射治疗中的研究进展( 二 )


模拟定位
一旦医生和患者决定做放疗 , 接下来就是进行模拟定位 。在模拟定位过程中 , 呼吸运动会使胸腹部器官随之做周期性运动 , 为了保证放射治疗的准确 , 临床上的处理方法是在肿瘤内部植入金标 , 通过成像设备对金标位置进行跟踪 , 从而实现对肿瘤运动跟踪 , 如射波刀(Cyber knife) , 此类方法精确但有创伤 。因此 , 目前临床上更倾向于基于患者体表呼吸运动的监测 , 实现对体内靶区或危及器官运动监控的间接跟踪方法 , 如Varian公司的RPM系统和C-RAD公司的Catalyst激光表面成像系统 。以上方法所需设备昂贵 , 操作复杂 , 还需要患者高度配合 , 可操作性不强 。可喜的是 , 目前人工智能在呼吸运动的预测方面已经取得了一定的成果 。Laurent等介绍了一种基于人工神经网络模拟患者肺部的呼吸运动 。该方法采用机器学习的方式在真实病例上学习肺运动 , 然后只需要根据新患者开始和结束的呼吸数据就可以模拟出患者的呼吸运动过程 , 其模拟出来的运动精度达到1mm , 它的主要优点是能够在非常短的计算时间内对任何患者呼吸周期的所有阶段的运动进行解析 , 大大简化了患者呼吸监测信号提取的过程 。不仅如此 , 人工智能还可以预测可变的不平稳的呼吸运动 。Isaksson等采用自适应非线性神经网络对非平稳的复杂的呼吸运动行为进行预测 , 结果表明神经网络实现了比固定和自适应线性滤波器更好的跟踪精度 。
勾画靶区和正常组织
靶区和正常组织勾画是一件相当耗时的过程 。每例肿瘤患者在CT模拟定位后图像都在一两百张 , 如果是4DCT , 十个时相的图像加在一起会有一千多张 , 医师需要逐层勾画肿瘤病灶和危及器官 , 其工作量可想而知 。因此临床放疗倾向于采用自动勾画方法 , 以提高医师的工作效率 。目前 , 基于atlas的自动勾画工具是实现放疗靶区和危及器官自动勾画的热门方法 。Pinnacle运用atlas模板库初步实现了感兴趣区域(ROI)自动勾画;谷歌基于atlas开发了一套人工智能靶区勾画体系 , 通过机器学习自动勾画头颈部肿瘤病灶 。Sims等用atlas工具 , 自动勾画患者的脑干、腮腺和下颌骨 , 将其与手动勾画结果进行比较 , 结果表明 , atlas自动勾画工具对所研究的器官表现出令人满意的敏感性和特异性 。
国内在靶区的智能勾画上也取得了巨大的成果 。鼻咽癌放疗靶区勾画是最复杂、最精细的工作 , 目前 , 这一勾画工作主要由人工完成 , 其准确性高度依赖医生的经验 , 一般需要3~10h才能完成 。中山大学肿瘤防治中心孙颖教授团队首次利用AI技术 , 在磁共振(MRI)影像上自动勾画鼻咽肿瘤 , 为实现精准而又高效的鼻咽癌放射治疗靶区勾画提供了解决方案 。他们选取了1021例鼻咽癌患者(全部期别)的MRI影像资料 , 由两名鼻咽癌放疗专家共同完成靶区勾画 , 然后将影像和靶区数据用于计算机学习 , 最终应用到新病人的靶区勾画上 。该自动勾画技术将鼻咽癌肿瘤靶区勾画的用时从平均3~10 h大幅缩短到20~50min , 并且准确性达到79% , 相当于从业3年左右的年轻医生的水平 。
治疗计划
治疗计划系统的两大核心部分是剂量优化与剂量计算 , 目前剂量优化已经成为自动计划研究的热点 。比较成熟的自动计划包括美国瓦里安公司基于Eclipse平台的RapidPlan和美国飞利浦公司基于Pinnacle平台的AutoPlan 。
RapidPlan是将优质的放疗物理计划进行分析和特征提取 , 建立数学预测模型 , 自动生成高质量的患者放疗计划 。张艺宝等在针对直肠癌的建模过程中 , 他们选择了81例采用RapidArc照射技术的临床实施计划 , 由资深物理师逐一针对正常器官进行重新优化 , 力求在满足靶区要求的前提下尽量降低器官的受照剂量 , 然后用这一组高质量的计划对模型进行训练获得最终的直肠癌模型 。接下来对10例既往病例采用RapidPlan重新优化表明 , 人工设计与模型优化得到的靶区剂量分布相近 , RapidPlan计划正常器官的剂量显著低于先前的临床计划 , 表明RapidPlan模型在对正常器官的保护上展现了显著的临床优势 。Fogliata等对83例采用容积旋转调强放疗的头颈部癌患者计划作为RapidPlan头颈训练模型 , 然后选取20例头颈癌患者对模型进行验证 , 比较了RapidPlan计划和临床计划 。结果RapidPlan计划显著提高了计划质量 , 腮腺、口腔和喉的平均剂量分别降低了2Gy、5Gy和10Gy 。


推荐阅读