AI 融入放射治疗肿瘤轮廓勾画更即时

在进行放射治疗之前，放射肿瘤科医师会先仔细检查患者的医疗图像，以确定肿瘤总体积以及疾病的可观察区域，因为这些区域可以隐藏癌细胞并提供它转移（metastasis）路径，所以他们接着设计周患者特异性临床靶体积，包含周围组织，这整个过程被称为轮廓勾画（contouring）。可以确定患者接受多少辐射量以及它如何传递。然而，在医师诊断头颈癌（head and neck cancer）患者时，却是一项特别敏感的任务，因为头颈部附近存在脆弱的组织。

5 月 9 日，由德州大学奥斯汀分校德克萨斯高级计算中心（Texas Advanced Computing Center, TACC）和 MD 安德森癌症中心组成的研究团队指出，他们开发了一种能透过人工智能（artificial intelligence, AI）以及深度神经元网络（deep neural networks）来自动轮廓勾画高风险临床靶体积的方法，此研究刊登于《International Journal of Radiation Oncology˙Biology˙Physics》。

该研究团队挑选从 2006 年 1 月至 2010 年 8 月在 MD Anderson 接受过治疗的 52 名口咽癌（oropharyngeal cancer）患者并且分析他们的临床数据，然后再透过患者的肿瘤总体积以及临床肿瘤体积来轮廓勾画其放射治疗效果。

该研究团队 Carlos Cardenas 博士候选人研发出一套能使用自动编码器的深度学习算法（deep learning algorithm）。就像神经网络一样，该深度学习算法能呈现数据集，并且辩识和重新建立医生轮廓勾画的模式。该系统以总肿瘤体积和周围解剖结构的距离地图资讯（distance map information）作为输入来源，然后它将数据分类以确认立体像素（voxels）为高风险临床靶体积的一部分。

该研究团队指出，他们的深度学习系统呈现的结果与受过培训的肿瘤医师预测结果相似，仅有些许的差异或完全相同，而且能应用在临床上，也能减少医生之间的诊断差异。此外，该系统也能大幅提升医师的诊断效率，目前 MD 安德森癌症中心的放射肿瘤医师需 2 ~ 4 个小时来确认临床靶体积，原因在于需要其他医生同行审查，尽可能降低疾病的风险。然而，TACC 使用 Maverick 超级电脑，能在一分钟内确认临床靶体积。

简言之，深度学习融入癌症治疗是一件很棒的事，除了缩短临床医师诊断时间，也帮助患者能更更即时获得治疗。

延伸阅读：未来疾病检测，AI 技高一筹?

参考资料：
1. International Journal of Radiation Oncology˙Biology˙Physics 2018; 101 (2): 468 DOI: 10.1016/j.ijrobp.2018.01.114
2. https://www.tacc.utexas.edu/-/an-ai-oncologist-to-help-cancer-patients-worldwide