人工智能在腫瘤放射治療中的應(yīng)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(yù)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(yù)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(yīng)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(yù)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(yīng)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(yīng)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(yīng)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(yīng)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(yīng)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(yīng)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(yù)測的應(yīng)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(yù)后和評估治療反應(yīng)中的應(yīng)用 207
1 影像組學作為預(yù)后的輔助手段 208
2 治療反應(yīng)預(yù)測 211
3 治療反應(yīng)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(yīng)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(yīng)用的評價 269
1 AI在腫瘤放射治療中應(yīng)用的概述 269
2 醫(yī)療領(lǐng)域中AI應(yīng)用的評估框架 270
3 腫瘤放射治療中AI應(yīng)用的評估 271
4 結(jié)論 274
參考文獻 274
中英文詞匯對照 277