人工智能在腫瘤放射治療中的應用

目 錄
第一篇 前景展望
第1章 2040年的臨床腫瘤放射治療：臨床視角下的腫瘤放射治療的未來 3
1 腫瘤診斷 4
2 到2040年，AI可以通過精確預測改善腫瘤的早期檢測精度 5
3 到2040年，基于AI的方法將提高病理學結(jié)果判讀的質(zhì)量一致性和可及
 性，并可以通過更大規(guī)模的隨機數(shù)據(jù)支持預后和風險分層功能 5
4 到2040年，先進的統(tǒng)計學方法將會推動使用或提供腫瘤分期中的關(guān)鍵
 特征信息 6
5 到2040年，AI將通過改進決策支持系統(tǒng)，為患者確定合適的個體化治
 療方案，推動以患者為中心的診療目標的實現(xiàn) 6
6 到2040年，EHR系統(tǒng)中內(nèi)置的算法工具將簡化審查記錄、制定和編制
 規(guī)范化文檔的過程 6
7 到2040年，AI輔助的自動分割和自動計劃設(shè)計將會成為臨床實踐常規(guī)，
 可以提高放療計劃設(shè)計的質(zhì)量和速度，這將影響治療過程監(jiān)測及治療
 策略再規(guī)劃 8
8 到2040年，AI將允許使用多來源數(shù)據(jù)，幫助醫(yī)生更好地管理患者的生
 命質(zhì)量 9
參考文獻 9
第2章 2030年腫瘤放射治療的展望 15
1 概述 16
2 對未來的展望 17
3 腫瘤放射治療中常用的AI工具包 19
4 進入2030年AI工具的發(fā)展軌跡 22
5 結(jié)論 26
參考文獻 26
第二篇 實施策略
第3章 在醫(yī)學影像學中應用人工智能的經(jīng)驗教訓及其對腫瘤放射治療的啟示 29
1 人工智能生態(tài)系統(tǒng)的演變 29
2 不同類型的機器學習工具 32
3 醫(yī)學影像學的數(shù)字化轉(zhuǎn)型和計算機輔助診斷（CAD） 34
4 醫(yī)學影像學和腫瘤放射治療學的比較 39
5 醫(yī)學影像定量分析：新的量化分析工具 40
6 工作流程優(yōu)化和工作效率改善 41
7 將AI工具整合到工作流程和新的智能管理系統(tǒng)（IMS）中 43
8 機器學習十項實踐原則 44
9 結(jié)論 44
致謝 45
參考文獻 45
第4章 用于人工智能輔助腫瘤放射治療研究的公開數(shù)據(jù)庫 47
1 概述 48
2 放射治療和腫瘤影像中的AI 48
3 開放獲取式數(shù)據(jù)庫 49
4 無需數(shù)據(jù)共享的分布式機器學習 50
5 數(shù)據(jù)獲取、策略管理和質(zhì)量 50
6 注釋和標記數(shù)據(jù) 52
7 其他挑戰(zhàn) 53
8 結(jié)論 54
參考文獻 54
第三篇 AI工具
第5章 腫瘤放射治療中的影像組學技術(shù)與工具 59
1 影像組學的定義和歷史 59
2 數(shù)據(jù)輸入和預處理 61
3 分割 63
4 影像組學特征的提取和標準化 64
5 影像組學特征提取工具 65
6 特征選擇和降維 67
7 影像組學分析 70
8 結(jié)論 72
參考文獻 72
第6章 人工智能在腫瘤放射治療圖像自動分割中的應用 79
1 腫瘤放射治療中圖像分割的重要性 79
2 深度學習技術(shù)在醫(yī)學圖像分割中的應用概述 81
3 自動分割性能的評估 84
4 臨床實踐中AI自動分割的挑戰(zhàn) 88
5 結(jié)論 91
參考文獻 92
第7章 腫瘤放射治療中的知識表示 99
1 概述 99
2 知識表示 101
3 
統(tǒng)一醫(yī)學語言系統(tǒng)（Unified Medical Language System，UMLS）及其
 構(gòu)成 104
4 
UMLS的局限性 106
5 
在UMLS之外的KR 108
6 KR支持的醫(yī)療自然語言處理NLP 109
7 KR的應用 110
8 KR支持的機器學習 112
9 
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs），KR和可解釋性 114
10 醫(yī)學KR的未來 115
11 結(jié)論 116
參考文獻 116
第8章 腫瘤放射治療中的自然語言處理 119
1 概述 119
2 什么是自然語言處理（Nature Language Processing，NLP）？ 119
3 醫(yī)學中的NLP 124
4 腫瘤學中的NLP 127
5 腫瘤放射治療中的NLP 130
6 結(jié)論 133
參考文獻 133
第四篇 AI應用
第9章 基于先驗知識的放射治療計劃設(shè)計：高效可靠的自動化計劃設(shè)計技術(shù) 141
1 概述 141
2 基于先驗知識（KBP）的治療計劃設(shè)計 142
3 KBP的應用 146
4 結(jié)論 147
參考文獻 148
第10章 放射治療計劃設(shè)計中的人工智能 153
1 概述 153
2 放射治療計劃設(shè)計流程和自動化 154
3 放射治療計劃設(shè)計中的人工智能方法 157
4 人工智能其他的方法和思考 166
致謝 167
參考文獻 167
第11章 人工智能在放射治療計劃設(shè)計中的臨床應用 173
1 概述 173
2 問題定義、研究范圍和數(shù)據(jù)整理 174
3 技術(shù)驗證 176
4 臨床驗證 179
5 臨床醫(yī)生的信任、AI的可解釋性和偏差 181
6 AI治療計劃實施的特殊考慮  183
7 質(zhì)量保證、再訓練和維護 184
8 結(jié)論 186
參考文獻 186
第12章 人工智能在基于患者種族基因分型進行放射治療毒性風險預測的應用 189
1 概述 190
2 GWAS機器學習方法 191
3 識別與毒性相關(guān)的生物因素：機器學習在GWAS中的關(guān)鍵優(yōu)勢 199
4 結(jié)論 201
致謝 201
參考文獻 202
第13章 影像組學在預后和評估治療反應中的應用 207
1 影像組學作為預后的輔助手段 208
2 治療反應預測 211
3 治療反應追蹤 215
4 影像組學作為腫瘤病理信息獲取的替代方法 217
5 迄今為止，人工智能在臨床影像組學特征開發(fā)中的應用現(xiàn)狀 219
6 結(jié)論與展望 219
參考文獻 221
第14章 人工智能如何幫助我們理解和降低腫瘤放射治療中的錯誤傳遞 229
1 概述 229
2 腫瘤放射治療中的患者安全 231
3 腫瘤放射治療工作流程：參考時間表的構(gòu)建 234
4 創(chuàng)建原型統(tǒng)計模型 237
5 了解系統(tǒng)中錯誤報告的數(shù)據(jù)：過去和現(xiàn)在 239
6 了解錯誤報告數(shù)據(jù)：未來會怎樣？ 240
7 人工智能驅(qū)動的錯誤解決系統(tǒng)的設(shè)想 243
8 人工智能的挑戰(zhàn)和陷阱 246
9 結(jié)論 247
參考文獻 247
第五篇 評估和結(jié)果
第15章 腫瘤放射治療中的人工智能與倫理 253
1 醫(yī)學倫理的基本原則 253
2 人工智能在醫(yī)學和腫瘤放射治療中的倫理問題 256
3 腫瘤放射治療中新興的人工智能工具 260
4 腫瘤放射治療中人工智能的倫理展望 264
致謝 266
參考文獻 266
第16章 人工智能在腫瘤放射治療中應用的評價 269
1 AI在腫瘤放射治療中應用的概述 269
2 醫(yī)療領(lǐng)域中AI應用的評估框架 270
3 腫瘤放射治療中AI應用的評估 271
4 結(jié)論 274
參考文獻 274
中英文詞匯對照 277