加拿大Princess Margret 癌症中心最新研究,机器学习放疗计划时间缩短60.1%!

近日，加拿大Princess Margret 癌症中心的Thomas G. Purdie和Alejandro Berlin课题组合作取得最新进展。他们将机器学习 (Machine Learning，ML)的临床整合用于前列腺癌患者的治愈性放射治疗。相关论文发表在2021年6月3日出版的《自然-医学》杂志上。

他们前瞻性地部署并评估了随机森林算法，用于在完全整合到临床工作流程的盲法、头对头研究中对前列腺癌进行治疗性放疗 (Radiation Treatment，RT) 治疗计划。ML 和人工生成的放疗治疗计划在回顾性模拟与重新测试 (n = 50) 和前瞻性临床部署 (n = 50) 阶段进行了直接比较。

在整个研究阶段，治疗医师始终按照先验定义的标准化标准和同行评审过程，以盲法评估 ML 和人工生成的放疗治疗计划，并在前瞻性阶段为患者治疗提供选定的 放疗计划。



图1：机器学习和人工的临床验证框架。在流程中，专业人员从原来的开发团队（即科学家、研究人员和软件开发人员）过渡到具有技术和临床领域专业知识的实施团队，最后是临床专家和最终用户（即医生），他们使用定量指标和定性临床评估来评估真实世界的效果和适用性。



 图2：放射治疗计划流程。a、 将基于ML的放疗计划整合到现有工作流程中：ML生成的放疗计划时间很容易通过硬件进行规模化。b、 使用ML和人工生成放射治疗计划的端到端流程的时间安排（n= 在预期部署阶段，各50人。对于两种方案，完成靶区勾画和放疗计划质量评估的时间以及治疗医生的临床决定是相同的。

总体而言，89%的ML生成的放疗计划被认为在临床上是可接受的，72%的选择在头对头比较中优于人工生成的放疗计划。使用 ML 的 放疗计划将整个放疗计划过程所需的中位时间减少了 60.1%（118 到 47 小时）。

虽然 ML 放疗计划的可接受性在模拟和部署阶段之间保持稳定（92% 对 86%），但选择用于治疗的 ML 放疗计划的数量显著减少（分别为 83% 和 61%）。

这些发现强调，即使在专家盲审下，对 ML 方法的回顾性或模拟评估也可能无法代表在危及患者护理的真实临床环境中的算法接受度。

研究人员表示，ML有望影响医疗保健服务。

然而，迄今为止，大多数方法都是在“模拟”环境中进行测试的，这些环境无法概括影响真实世界临床实践的因素。

参考资料：

[1] Mcintosh C ,  Conroy L ,  Tjong M C , et al. Clinical integration of machine learning for curative-intent radiation treatment of patients with prostate cancer[J]. Nature Medicine, 2021:1-7.

本文观点仅代表作者本人，仅供交流学习



申请免费试用AiContour智能勾画软件



好课推荐

• 
  放疗AI颠覆式创新！连心医疗牵头北京科委重点研发项目“宫颈癌智能TPS”正式启动！
  
  
• 
  AI智能勾画软件，前途如何？给出你的答案
  
  
• 
  浙江省人民医院放疗科引入AI系统，只为肿瘤患者提供更安全的放疗服务！
  
• 
  2021科创中国·中关村科技创新创业，智能放疗领头羊——连心医疗再获殊荣！
  
• 
  【连心医疗】AiContour智能勾画系统：ROI 结构对比分析功能
  
• 
  AiContour：连心医疗智能勾画系统使用方法介绍
  
• 
  连心医疗AiContour医生勾画工作站落户江汉大学附属医院！