首页 > 文章详情

惠周光教授：人工智能赋能肺癌术后放疗，突破挑战，引领未来

2024年11月21日

来源：肿瘤资讯

为了进一步提升肿瘤放射治疗的综合诊治水平，促进放疗学科与其他学科的交流，“胸部肿瘤放射治疗进展中青年论坛”于2024年11月9日在魅力武汉顺利召开。本次会议汇集了多学科顶尖专家就肺癌、食管癌这两大胸部肿瘤放射治疗的最新研究进展进行了宣讲，围绕新治疗时代下肿瘤放疗的机遇和挑战等相关热点话题进行了交流和讨论，为进一步推动肿瘤放疗发展提供平台。【肿瘤资讯】特邀中国医学科学院肿瘤医院惠周光教授分享人工智能在肺癌术后放疗的探索。

惠周光

主任医师、博士生导师、协和特聘教授，胸部放疗专业

中国医学科学院肿瘤医院

特需医疗部主任，干部保健处处长
百千万人才工程国家级人才、 “有突出贡献中青年专家”
国务院政府特殊津贴专家
首都十大杰出青年医生、国之名医、人民好医生
中国抗癌协会肿瘤大数据与真实世界研究专委会候任主委、放疗专委会食管癌工作组副组长；CSCO转化医学专委会副主委、肿瘤放疗专委会常委、非小细胞肺癌专委会委员、肿瘤大数据专委会常委兼秘书长；中国老年肿瘤放疗专委会副主委
主持“十三五”、“十四五”国家重点研发计划项目两项

AI在术后放疗崛起，精准疗效预测与高效靶区勾画引领个性化治疗新篇章

惠周光教授：近年来，人工智能（AI）在临床医学和科研领域迅速崛起，成为最炙手可热的研究方向之一。尽管AI的概念起源于20世纪50年代，但其快速发展主要得益于本世纪以来的技术进步，包括硬件设备、算法算力和大数据的积累。在术后放疗的应用中，AI技术主要聚焦于三个关键方向：第一，利用深度学习技术，AI能够准确预测术后复发的高危患者，为有效干预提供依据。例如，近期研究通过前瞻性研究和对近1500例真实世界治疗患者的分析，建立了模型并验证了AI在影像组学中筛选有效影像特征的能力，这些特征有助于识别高危患者群体。第二，AI技术被用于预测患者的总体预后，包括肿瘤相关生存（无病生存DFS、肿瘤特异性生存CSS、总生存OS）。团队研究利用自身的前瞻性研究和真实世界数据，结合了国外多组数据进行验证，发现AI能够通过影像组学数据有效区分预后良好和不良的患者群体。第三，AI技术正在被用于预测术后放疗的毒副作用，这对于评估治疗效果和安全性至关重要。通过AI深度学习方法，临床可以在治疗前通过CT影像和剂量组学数据预测一系列副作用，包括急性放射性食管炎、放射性肺炎和心脏毒性，与此相关研究仍在进行中。

此外，AI技术在靶区自动勾画方面的应用已经得到广泛认可。与传统方法相比，AI辅助的靶区勾画不仅大幅缩短了时间，提高了一致性和准确性。中国医学科学院肿瘤医院放疗科团队的研究表明，AI深度学习辅助的靶区勾画上的应用更为高效，时间缩短至少1/3。

综上所述，AI技术在个体化智能术后放疗方案中扮演着越来越重要的角色，其在未来的应用前景广阔，有望为患者提供更精准、更个性化的治疗方案。

精准分析潜力巨大，人工智能跨越传统方法限制

惠周光教授：在传统的非小细胞肺癌临床分析框架内，首要步骤是界定研究群体，进而评估放疗干预手段对局部区域复发率、无病生存期及总生存期的影响。此外，亚组分析可能还会纳入年龄、分期、性别、一般状况评分、淋巴结清扫情况及转移数量等可预见的临床变量。然而，这些传统研究方法受限于数据量有限，并可能受到手术质量差异、患者个体差异及肿瘤特征差异的影响。这些内在差异难以通过传统分组手段得到揭示，从而导致亚组分析在筛选受益患者及预后判断上的精确度不足。相比之下，人工智能技术的核心优势体现在其处理庞大数据集的能力。它能够综合考量包括临床数据及影像组学信息在内的多种数据类型，如CT、MRI及PET-CT等，这些数据可能蕴含着肿瘤及患者个体的内在差异，而这些差异是传统临床研究所无法触及的。随着生物信息学数据，诸如测序及基因突变数据的融入，人工智能的深度学习与神经网络方法能够更为高效地筛选相关特征，从而更精确地预测预后及筛选放疗受益人群。

在人工智能领域，监督学习与无监督学习构成了两种主要的学习范式。当前，临床研究主要运用有监督学习方法，将相关变量与结果相联系，通过深度学习挖掘特征变量或构建模型，以预测和筛选放疗获益人群。而无监督学习则更为繁复，它不依赖于预设的变量与结果关联，而是让人工智能自主探寻内部变量与数据间的关联，这可能会揭示出传统临床研究方法及有监督学习方法所未能触及的内在特征变量的关联，提供更加精准的预后预测。

综上所述，人工智能在非小细胞肺癌的治疗分析中展现出巨大的潜力与优势。

人工智能在放疗领域面临挑战，各项工作正在积极开展

惠周光教授：人工智能技术诚然蕴含着巨大的潜能，然而它并非无所不能，特别是在放疗这一专业领域。在深度学习与神经网络技术的运用过程中，遭遇了一系列亟待解决的难题。从宏观的视角审视，这些挑战主要聚焦于三大核心领域：数据层面的挑战、模型与特征变量解释性的困扰，以及技术层面的阻碍。

首先，人工智能的分析与预测模型的根基在于数据。遗憾的是，目前的数据无论是在数量上还是在质量上，都存在着一定的局限性。这种局限性不仅削弱了判断的准确性，更可能导致那些潜藏于数据深处的特征变量难以被捕捉和洞察。因此，提升数据的质量，无疑成为了未来工作的重中之重。随着网络化、智能化大数据平台的蓬勃发展，对数据质量的把控能力已经迈上了一个新的台阶。无论是放疗人群的规模，还是数据的规范化程度，都取得了显著的进步。目前，国内多家大型肿瘤中心正在积极携手合作，致力于构建一个规模更为庞大的数据库，并严格把控数据的质量，以期在未来能够实现更为精准的判断与预测。

其次，通过人工智能所构建的模型以及所筛选出的特征变量，都需要具备合理的可解释性。然而现实中，许多通过人工智能所发现的特征变量难以通过传统的方法去发现或理解。为了破解这一难题，不断与公共数据库的数据进行深入地比对与分析，发现这些特征变量与肿瘤的特征以及分子生物学通路之间存在着密切的关联，为判断预后提供了有力的解释，是目前亟待进行的工作。尽管如此，随着数据的复杂性以及分析技术的持续深化，人工智能的“黑箱”问题依然存在，解释的难度也在与日俱增。未来仍需要各位同仁齐心协力，共同努力，逐步揭开这些“黑箱”的神秘面纱，为人工智能所做出的判断与预测提供更加合理的说法。

最后，尽管技术层面的挑战依然不容忽视，但随着超级计算机运算能力的飞速提升，以及人工智能新方法的快速迭代与演进，这些挑战也逐渐不再是研究工作中最核心的问题，也不再是临床医生所最为关心的问题，而是联合技术领域内专家共同推动人工智能在放疗领域的深入发展与应用。

责任编辑：肿瘤资讯-LEM
排版编辑：肿瘤资讯-Hanna