劉勇／謝曉暉合作人工智能在腫瘤放療領域應用新進展

　　放射治療是腫瘤治療的重要手段之一，約70%左右的腫瘤患者需接受放射治療。然而射線在殺死腫瘤細胞的同時，也會對腫瘤周邊乃至射線路徑上的正常組織器官造成損傷，從而引發各類并發癥，影響患者的治療療效及生存質量。因此，在進行放療計劃設計之前，必須在患者定位CT圖像上精確勾畫相關正常組織危及器官（organs at risk，簡稱OAR），并在設計放療計劃時對其進行保護，降低其受照射的劑量與體積。但是，傳統人工勾畫正常組織器官耗時費力，且在不同水平的醫師之間存在明顯的勾畫差異。因此臨床放療需要一種標準統一且精準快速的勾畫工具幫助放療醫師及物理師完成正常組織危及器官的勾畫工作。目前雖然存在一些可供商用的自動勾畫系統，但仍存在可供勾畫器官數量少、勾畫精度偏差較大等問題。

　　2019年9月30日，上海交通大學附屬第一人民醫院腫瘤放療科劉勇教授團隊、加州大學爾灣分校謝曉暉教授團隊、上海邃藍智能科技公司三方合作在Nature Machine Intelligence雜志上發表了的長文Clinically applicable deep learning framework for organs at risk delineation in CT images。該研究采用了一種被稱為Ua-Net的深度學習模型，能夠準確快速地在CT上勾畫28個頭頸部正常組織危及器官。

　　本研究以開源CT圖像為基礎，由專業的放療科醫師勾畫了315例頭頸部腫瘤患者的28個危及器官，并以此作為建模數據。建模采用一種稱為Ua-Net的算法模型，該模型與常規的U-Net主要區別在于，Ua-Net利用OAR檢測模塊首先識別包含OAR的區域，然后僅對檢測到的OAR區域內的圖像特征進行上采樣，而不是像U-Net中對整個輸入圖像進行上采樣。這樣兩階段設計模式使模型可以將注意力集中在提取OAR周圍的高分辨率圖像特征上，促進了模型的訓練。這樣的作法不僅減少了OAR正常范圍之外的假陽性預測，還大大減少了上采樣步驟所需的GPU內存消耗。結果顯示該模型在28個OAR中獲得的平均Dice-S?rensen系數（DSC）為78.34％，比已報道的最新方法高5.18％。就DSC而言，深度學習模型的性能比高年資放療醫師高10.05％（即使放療醫師除了CT以外還參考MRI圖像，模型的性能亦高出8.26％），而且勾畫時間大幅縮短只需幾秒鐘即可完成，勾畫精度也明顯高于目前其它同類算法。研究進一步檢查了其魯棒性和臨床實用性，發現盡管勾畫完成后雖然仍需一定修改，但仍可將勾畫每位患者OAR的平均時間從34分鐘縮短到13分鐘。這些結果表明，深度學習為費時費力的OAR勾畫任務提供了一種有力的潛在解決方案，期待其未來對臨床放療提供有效幫助。

　　該研究的第一作者為湯豪及陳旭明。本研究得到了上海交通大學附屬第一人民醫院腫瘤中心團隊（黃倩主任），加州大學爾灣分校人工智能科研團隊的大力支持。研究的合作者之一上海邃藍智能科技公司，是一家專注醫療人工智能領域研發的領先公司，在上海張江、美國加州爾灣擁有雙研發中心，擁有獨有的人工智能核心算法及高端的硬件平臺，為相關技術的開展提供了有力的技術保障。本項目得到了國家自然科學基金、上海交大醫工交叉項目及上海交大醫學院“雙百人”計劃等課題的資助。