导航辅助的计算机系统与头颈癌的治疗

 作者：李燕巍教授 天津市肿瘤医院中西医结合肿瘤科 副主任医师 

中华中医药学会肿瘤分会第一届青年委员会青年委员 

中国医师协会中西医结合医师分会肿瘤病学专家委员会青年委员 

中国中西医结合学会青年委员 天津市中医药学会肿瘤分会 秘书

按照传统的放疗流程，靶区和危及器官的轮廓线是由经验丰富的临床医生耗费 3~5 h 进行人工勾画所完成，勾画人员的临床经验和知识水平的高低会导致结果的优劣差异[1]。而有学者[2]基于深度学习方法利用 CT 图像建立鼻咽癌危及器官自动分割模型，该模型对单个病例进行危及器官分割需要大约 30 s，并且自动分割与人工分割结果强相关， Dice 系数大于 0.85[3]。同样，近期中国研究团队利用卷积神经网络（Convolutional Neural Network，CNN）实现鼻咽癌放射治疗靶区自动勾画，并且 AI 自动勾画准确性与专科医生相当，这一研究成果于 2019 年 3 月发表在《Radiology》杂志[4]。以专家勾画作为金标准，AI 自动勾画的准确率为79%，经专家评估，32.5% 的病例无需修改可直接用于放射治疗计划设计，56.2% 的病例只需少量修改即可用于放疗计划设计 [5]。

此外，基于深度学习方法建立了头颈部肿瘤危及器官自动分割模型 [6-10] 。各模型均表现出良好的分割性能，同时缩短了每例患者的分割时间，减少了临床医生对临床应用的干预[11]。然而有学者对脑肿瘤的视觉神经区域进行勾画时，尤其当勾画目标对比度较低、体积较小时，勾画效果较差，如视交叉神经的勾画准确率仅有 37%，勾画结果不够理想，尚不能满足临床需求 [12-13]。基于深度学习的方法，大部分肿瘤靶区和危及器官均能得到较高的分割精度，AI 辅助勾画提高了肿瘤靶区和危及器官勾画的准确性，同时显著提高了医生工作效率，提高了靶区和危及器官勾画的一致性。

另有研究[14]一个复杂的计算机模型被证明可以准确地预测与头颈癌放疗相关的副作用。这种精确的肿瘤学方法有可能更好地识别可能受益于早期干预措施的患者。研究结果发表在美国放射肿瘤学学会第61届年会上。Reddy博士和他的团队开发了模型来分析从三个来源合并而来的大数据集：电子健康记录（Epic）、基于web的内部图表工具（Brocade）和记录/验证系统（Mosaiq）。数据包括从2016年到2018年，在MD Anderson的五个实习地点接受超过2000个疗程（中位剂量60 Gy）的头颈癌患者（75%男性/25%女性，中位年龄62岁）的700多个临床和治疗变量。 研究人员利用这些模型预测了三个终点：显著的体重减轻，喂食管的放置和意外住院。然后，通过225次连续的放射治疗验证了最佳模型的结果。符合预先规定的曲线下面积阈值（AUC）为0.70或更高的模型被视为临床有效。能够识别出哪些病人处于最大的危险之中，将使放射肿瘤学家能够采取措施预防或减轻这些可能的副作用。

参考文献

[1] Van RW,Dahele M,Ribeiro BH,et al.Deep learning-based delineation of head and neck organs-at-risk: geometric and dosimetric evaluation[J].Int J Radiat Oncol Biol Phys,2019,104(3):677-684.

[2] Chan JW,Kearney V,Haaf S.et al.A convolutional neural network algorithm for automatic segmentation of head and neck organs-at-risk using deep lifelong learning[J].Med Phys,2019,46(5):2204-2213.

[3] Men K,Geng H,Cheng C,et al.More accurate and efficient segmentation of organs-at-risk in radiotherapy with Convolutional Neural Networks Cascades[J].Med Phys,2019,46(1):286-292.

[4] Ibragimov B,Xing L.Segmentation of organs-at-risks in head and neck CT images using convolutional neural networks[J]. Med Phys,2017,44(2):547-557.

[5] Aneja S,Shaham U,Kumar RJ,et al.Deep neural network to predict local failure following stereotactic body radiation therapy: integrating imaging and clinical data to predict outcomes[J].Int J Radiat Onco Biol Phys,2017,99(2):47.

[6] Mobadersany P,Yousefi S,Amgad M,et al.Predicting cancer outcomes from histology and genomics using convolutional networks[J].Proc Natl Acad Sci USA,2018,115(13):2970-2979.

[7] Lao J,Chen Y,Li Z,et al.A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme[J].Sci Rep,2017, 7(1):10353.

[8] Hosny A,Parmar C,Coroller TP,et al.Deep learning for lung cancer prognostication: a retrospective multi-cohort radiomics study[J].PLoS Med,2018,15(11):1002711.

[9] Kim DW,Jang HY,Kim KW,et al.Design characteristics of studies reporting the performance of artificial intelligence algorithms for diagnostic analysisof medical images: results from recently published papers[J]. Korean J Radiol,2019,20(3):405-410.

[10] Philipp Jurmeister, Michael Bockmayr, Philipp Seegerer. Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases. Science Translational Medicine, 2019; 11 (509): eaaw8513

[11] H.MahmoodaM.ShabanbB.I.IndavecA.R.Use of artificial intelligence in diagnosis of head and neck precancerous and cancerous lesions: A systematic review Author links open overlay panel

[12] Azimi M , Kamrani A K , Smadi H J . Statistics-Based Prediction Analysis for Head and Neck Cancer Tumor Deformation[J]. Journal of Healthcare Engineering, 2015, 3(4):571-586.

[13] Fleming J , Jeannon J P . Head and neck cancer in the digital age: an evaluation of mobile health applications[J]. BMJ Innovations, 2020, 6(1):bmjinnov-2019-000350.

[14] Formeister E J , Baum R , Knott P D , et al. Machine Learning for Predicting Complications in Head and Neck Microvascular Free Tissue Transfer[J]. The Laryngoscope, 2020.