AI在医疗的应用以群企蜂拥而至的影像辅助诊断而为人熟知，但在影像之外，还有一条门槛更高的细分赛道，将产品切入医疗的核心——治疗环节，这条赛道就是“AI+放疗”。

       在肿瘤的辅助治疗领域，人工智能可以帮助放疗医师提供更精确、更智能、更快速高效的个性化临床放疗方案，以提高放疗对癌症的治愈率，减少放疗对正常组织的损伤，最终延长癌症病人的生命。

       在连心医疗2018CSTRO卫星会上，动脉网记者与会议特邀嘉宾，美国AI+放疗领域前沿学者，来自美国德州大学西南医学中心的蒋彬教授进行了对话，探究肿瘤放疗领域面临的现状与痛点，以及AI在放疗领域能解决的问题。

       德州大学西南医学中心Barbara Crittenden讲座教授，放射肿瘤系副主任，医学物理与工程部主任。目前的主要科研方向人工智能在医疗中的应用、基于云的自动放疗计划、以及在线自适应放疗。他带领的西南医学中心Medical Artificial Intelligence and Automation (MAIA) Lab研究团队，是全美以“AI+放疗”为研究方向的、规模的科研团队。

       1998年到2000年在斯坦福大学攻读博士后；2000年成为哈佛医学院麻省总医院助理教授；2007年加入加州大学圣地亚哥分校任终身教授，创立先进放疗技术中心，并于2011年成为终生正教授；2013年加入德州大学西南医学中心，任Barbara Crittenden讲座教授，放射肿瘤系副主任，医学物理与工程部主任。

       在学术研究成果方面，蒋彬教授是英国物理学会和美国医学物理师协会会士，多家国际期刊编委，发表170余篇论文（H因子67），培养了30多名博士后和10多名博士。

       蒋彬教授目前担任连心医疗的科学顾问，为连心的AI+放疗产品提供建议。同时，双方共同致力于将科研成果转化为临床应用。

       肿瘤放疗痛点

       放疗作为癌症治疗的三大手段之一，近年来由于精准度高、适应度广、副作用小、创伤较少等优势逐渐受到重视。放射治疗是一个复杂的过程，从患者定位、靶区勾画、计划制作到计划实施，任何一个部分稍有疏漏，都将出现严重的后果。

       以目前大多数企业涉及的头颈癌危及器官AI自动勾画为例。每年有超过六十万人被诊断患有头颈部癌症，其中许多人选择接受放射治疗。 但头颈部重要器官比较集中，解剖关系复杂，如果在治疗前未仔细隔离，放疗时周围组织可能会严重受损。

       在头颈癌放疗过程中，医生根据患者 CT 图像手动勾画放疗靶区和危及器官（Organ at Risk，OaR），目的是限度将放射剂量集中在靶区内，而让周围正常组织或器官少受或免受不必要的伤害。然而，勾画过程非常耗时，降低诊疗效率的同时，更是延误了患者的治疗时间。

       在连心医疗2018CSTRO卫星会上，浙江省医学会放射肿瘤学分会副主任委员、浙江大学附属第一医院放疗科主任严森祥也曾提到：“放疗行业中从事放射肿瘤学科的比例只有18%左右，但是放疗科医生需要比化疗科医生花费更多的时间来熟悉病人，学习周期就更长。”

       据了解，肿瘤医生制定放疗计划时，靶区勾画与治疗方案设计往往要占用大量时间。每个肿瘤病人的CT图像在200张左右，医生在勾画的时候，需要给每个图片上的器官、肿瘤位置进行标注。

       这个过程按照传统的方法要耗费医生3-5个小时，找到肿瘤位置之后，医生还需要根据肿瘤的大小、形状等设计放射线的具体治疗方案，这里面也包含了不同位置不同的放射剂量。

       人工智能在放疗领域的应用，可以解决现今的两大痛点：放射肿瘤科医生缺乏以及放疗的技术难点导致的方案制定耗时过长。将简单的事情交给人工智能而让医生承担高精尖的任务，承担更有挑战的任务，对整个放疗生态的发展非常有价值。

       如连心医疗在本次大会上发布的连心智能放疗云3.0，就实现了54个器官的智能自动勾画（不区分左右），覆盖了全身主要部位。AI智能勾画，可以使原本需要花费数小时的勾画工作缩短到几分钟。

       MAIA Lab——全美“AI+放疗”研究团队

       蒋彬教授带领的西南医学中心Medical Artificial Intelligence and Automation (MAIA) Lab，聚集了一群致力于利用人工智能（AI）技术解决医学问题的医学物理师，该研究团队是全美以“AI+放疗”为研究方向的、规模的科研团队，也是实力最强的团队之一，拥有在医学物理科研届比较知名的中青年物理师如贾珣、王晶、顾薛君、卢卫国等人。

       蒋彬教授在采访中表示，我们团队在全力探索人工智能（AI）技术的巨大能力和潜力及其对医学领域的影响。MAIA Lab的目标是让智能医疗设备和AI技术为临床医生赋能，推动临床知识的迭代效率，以最终改善治疗结果并提高患者安全。人工智能之所以能够解决医疗中的痛点，表现在于三方面：

       一是有比医生做得好的地方。在医疗诊断的过程中，医学图像和其他医疗数据中会隐藏一些比较深的信号，医生的肉眼无法辨别，而人工智能可以以高精度的方式辨别高纬度空间中隐藏的深层信息；

       二是不见得比医生做得好，但是比医生做得快。如在AI危及器官勾画的过程中，可以把原本医生需要数个小时才能完成的勾画工作缩短到短短几分钟，并且在现有的技术下，已经实现较高的准确度。

       三是可能没有资深医生做得好，但是可以服务资源匮乏的基层医疗机构。人工智能可以学习资深医生、大医院的经验，帮助年资低的医生和基层医疗机构的医生提出准确的诊断和治疗方案。一个可能的应用是临床靶区的勾画。

       “这次人工智能的浪潮，我认为会真正改变世界。”蒋彬教授这样对记者说。

       在斯坦福大学攻读博士后与哈佛医学院麻省总医院期间，蒋彬教授的主要研究方向是蒙特卡洛剂量计算以及图像引导和运动器官的管理。

       2009年在加州大学圣地亚哥分校任教期间，蒋教授成为第一批开始尝试利用GPU来加速计算，改进放射治疗的开拓者，并建立先进放疗技术中心，组建该领域最早且规模的团队。随后，在德州大学西南医学中心任职期间，更是建立了全美的AI+放疗团队，延伸他们在GPU通用计算方面的传统，用深度学习来改进癌症放疗技术。

       在AI+医疗的应用领域，蒋彬教授及其MAIA Lab的同事主要研究方面包括放疗中的器官分割与靶区勾画、人工智能自动治疗计划、治疗效果与**预测、同行审查与医疗错误检测、影像重建、复原与判读以及可穿戴设备与智能诊所。

       在研究成果与商业化应用结合方面，蒋彬教授的团队与国内AI+放疗领域的创新企业连心医疗合作获得顶尖的AI算法，双方发挥各自的资源和优势，共同推动将AI技术向产品转化，提升肿瘤治疗的效率和精确度。

       谈到科研成果与商业化之间普遍存在的鸿沟，蒋彬教授表示，研究人员对产品开发不熟悉或者不愿意投入太多精力，商业公司对于最新科研成果不了解或者不信任，因此需要第三方来协同科研团队与企业之间的合作，而校企共建联合实验室是一个很好的方式，如IBM与麻省理工学院的联合实验室，腾讯和美国加州大学合作的医疗AI 实验室。

       AI+放疗的下一步要攻克靶区勾画和自动治疗计划

       放疗在医疗里面是很特殊的专业。技术性非常强，并且在电子化、数据化方面是走在其他专业的前面，因此，蒋彬教授认为，放疗很适合人工智能介入解决问题。

       对于目前市场中的AI+放疗企业来说，产品的差异体现在算法的不同上。如何在AI+放疗的应用领域发挥企业的差异化优势，蒋彬教授指出，需要在下一步应用中，考虑靶区勾画和人工智能自动治疗计划，这也是MAIA Lab现在的研究重点。

       临床靶区（CTV）勾画是放疗控制肿瘤复发转移的关键，也是靶区勾画技术难度、最耗时的部分。如果CTV没有画好，治疗不到位，引起肿瘤复发，患者就很难再治愈。“器官勾画基本上只是省时间而已，而靶区勾画不光是省时间，而是真的能够提高治疗的效果。”

       对于器官勾画而言，图像的基本信息足够支撑AI来进行规划，而对于靶区勾画而言，技术上的实现难度在于靶区勾画更多的要依靠医生对图像的想象。在这个环节，医生和医生之间都很难有一个统一的标准，因此，人工智能也很难用标准的算法来呈现。

       蒋彬教授表示，医生如何进行勾画，信息并不是在图像里，而是在医生的大脑里，所以人工智能该如何学习医生的思维进行靶区勾画，是一件比较难的事情。“医疗在很大程度上是一门艺术，要依靠医生的经验、直觉等很多因素。而在没有‘金标准’的情况下，就只能向的艺术家学习，也就是向公认的医生学习。”

       也正因为此，在没有“金标准”的地方，人工智能其实有很多发挥空间。比如西南大学医学中心开发的深度学习的模型，可以告诉医生智能勾画结果可能的不确定性，那么医生就可以针对于不确定性大的部位进行检查，从而节省大量时间，这一点很重要。”

       蒋彬教授所在的MAIA Lab的另一个研究方向——AI自动放疗计划方面，可以根据勾画的器官和靶区直接预测三维剂量分布。此外，可以将医生不同的治疗考量加入到深度学习的模型中，以帮助医生输出更加个性化的治疗方案。在剂量计算方面，计算的速度和精确度方面互相矛盾，但是应用深度学习的方法可以很好的解决这个问题。同时，深度学习还可以大幅提高一般算法的精确度。

       AI不止简单粗暴的算法模型

       目前，AI很大程度上还是一个“黑盒”，AI为医生进行自动勾画时，往往还是要通过医生的反复验证，现在的AI还处于‘弱人工智能’的时代，在临床上面怎样让医生比较容易接受是AI产品能否落地的关键。

       而对于医生而言，使用人工智能的决定性因素还是在于产品的精度。在保障AI自动勾画的精度方面，蒋彬教授提出了三种保证精度的方法：

       一是验证数据。用大量不同医院、不同人群的数据验证算法的准确性；

       二是明确误差。把不确定性同时用人工智能的方法算出来，使医生查看勾画结果时，可以针对不确定的地方多花点时间，而准确度较高的地方，可以少花时间；

       三是让人工智能深度学习，变得可以解释。把人工智能从“黑盒”变为透明，将计算逻辑呈现出来。在这一点上，存在难度。

       另外，蒋彬教授指出，现在许多人工智能的算法实际上是“简单粗暴”的计算，用一些常见的算法从大量的数据中得到一些不错的结果。而随着产品进入临床的落地，包括FDA、CFDA的审核，从科研的角度来说，“简单粗暴”的利用常见算法和大数据集 的模型会减少许多，而更多的团队会开始思考怎样处理精细的小数据集，怎样构建更好的算法，从小数据中也可以做出好的结果。

       真正的强人工智能需要有继续学习甚至自主学习的能力，比如在一个模型训练的结果不准确，机器可以在临床应用的过程中自己处理不准确的地方，并自动反馈到模型里面加以提高。也就是说，机器要有自我进化的能力。

       通俗的来说，人工智能产品在应用中，不仅要学习医生的过往诊疗数据，而是要实现学习医生的思维和智慧，将医生的经验都囊括在算法里，达到计算机能够像人一样思考，而不是用简单粗暴的方法从大量原始数据中学习到规律。

       技术一定是进步的，不会退步，更不会停止。“现在我们能够做的、看到的还是非常早期的‘智能’。人工智能仍处于两三岁小孩的时期，离成年还差得很远，但是在这个时期人工智能能够在一些领域发挥作用已经很了不起了，我们需要等它成长起来，而且也一定会成长起来。