放射治疗是肿瘤治疗的重要手段之一，约70%左右的肿瘤患者需接受放射治疗。然而射线在杀死肿瘤细胞的同时，也会对肿瘤周边乃至射线路径上的正常组织器官造成损伤，从而引发各类并发症，影响患者的治疗疗效及生存质量。因此，在进行放疗计划设计之前，必须在患者定位CT图像上精确勾画相关正常组织危及器官（organs at risk，简称OAR），并在设计放疗计划时对其进行保护，降低其受照射的剂量与体积。但是，传统人工勾画正常组织器官耗时费力，且在不同水平的医师之间存在明显的勾画差异。因此临床放疗需要一种标准统一且精准快速的勾画工具帮助放疗医师及物理师完成正常组织危及器官的勾画工作。目前虽然存在一些可供商用的自动勾画系统，但仍存在可供勾画器官数量少、勾画精度偏差较大等问题。
近日，《Nature Machine Intelligence》发表了上海邃蓝智能科技（上海）有限公司、加州大学尔湾分校谢晓晖教授团队、上海交通大学附属第一人民医院肿瘤放疗科刘勇教授团队三方合作的研究论著《Clinically applicable deep learning framework for organs at risk delineation in CT images》。该研究采用了一种被称为Ua-Net的 学习模型，能够准确快速地在CT上勾画28个头颈部正常组织危及器官。
本研究以开源CT图像为基础，由专业的放疗科医师勾画了315例头颈部肿瘤患者的28个危及器官，并以这此作为建模数据。建模采用一种称为Ua-Net的算法模型，该模型与常规的U-Net主要区别在于，Ua-Net利用OAR检测模块首先识别包含OAR的区域，然后仅对检测到的OAR区域内的图像特征进行上采样，而不是像U-Net中对整个输入图像进行上采样。这样两阶段设计模式使模型可以将注意力集中在提取OAR周围的高分辨率图像特征上，促进了模型的训练。这样的作法不仅减少了OAR正常范围之外的假阳性预测，还大大减少了上采样步骤所需的GPU内存消耗。结果显示该模型在28个OAR中获得的平均Dice-Sørensen系数（DSC）为78.34％，比已报道的最新方法高5.18％。就DSC而言， 学习模型的性能比高年资放疗医师高10.05％（即使放疗医师除了CT以外还参考MRI图像，模型的性能亦高出8.26％），而且勾画时间大幅缩短只需几秒钟即可完成，勾画精度也明显高于目前其它同类算法。研究进一步检查了其鲁棒性和临床实用性，发现尽管勾画完成后虽然仍需一定修改，但仍可将勾画每位患者OAR的平均时间从34分钟缩短到13分钟。这些结果表明，这些结果表明， 学习为费时费力的OAR勾画任务提供了一种有力的潜在解决方案，期待其未来对临床放疗提供有效帮助。
上海邃蓝智能科技（上海）有限公司，是一家在医疗人工智能邻域研发的领先公司，在上海张江、美国加州尔湾拥有双研发中心，公司拥有强大的医疗人工智能研发团队，具有独有的人工智能核心算法，除在放射治疗AI研发邻域研究外，还在医学影像邻域有多项发明。这是邃蓝公司继2018年11月在《Medical Physics》联合发表放射治疗人工智能勾画研究文章后，又一篇在国际顶级学术杂志收入发表的文章，标志着该公司研发团队在这一领域处于国际领先水平。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
