人工智能目前主要應(yīng)用于目標(biāo)分類(lèi)^[4]、自然語(yǔ)言處理^[5]、語(yǔ)音識(shí)別^[6]和圖像處理^[7]等領(lǐng)域，其表現(xiàn)已經(jīng)接近人類(lèi)的水平。鑒于目前人工智能在計(jì)算機(jī)視覺(jué)方面取得的巨大成功^[8]，醫(yī)學(xué)物理作為與醫(yī)學(xué)影像息息相關(guān)的學(xué)科，其與人工智能的結(jié)合必然會(huì)推動(dòng)醫(yī)學(xué)的發(fā)展?？v觀現(xiàn)有研究，人工智能與醫(yī)學(xué)物理的結(jié)合大多集中在醫(yī)學(xué)影像分割、疾病的診斷與分期預(yù)測(cè)以及與放射治療相關(guān)的勾畫(huà)、計(jì)劃、預(yù)后預(yù)測(cè)和質(zhì)控等方面。本文簡(jiǎn)要介紹國(guó)內(nèi)研究者在醫(yī)學(xué)物理方面的研究進(jìn)展和相關(guān)的產(chǎn)業(yè)發(fā)展?fàn)顩r。

機(jī)器學(xué)習(xí)應(yīng)用于醫(yī)學(xué)領(lǐng)域輔助醫(yī)生診斷（Computer-aided diagnosis, CAD）可以提高效率、準(zhǔn)確率，可信度。機(jī)器學(xué)習(xí)可以從患者的影像信息、臨床信息、基因組信息等提取出某些人類(lèi)未知的特征或規(guī)律用于預(yù)測(cè)預(yù)后，從而指導(dǎo)治療，提高患者的生存質(zhì)量。常用于醫(yī)學(xué)診斷以及預(yù)測(cè)預(yù)后的機(jī)器學(xué)習(xí)算法有：支持向量機(jī)（Support Vector Machine, SVM），隨機(jī)森林(Random Forest, RF) ,樸素貝葉斯法(Naive bayes), K最近鄰算法(kNN，k-NearestNeighbor)，人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）包括常用于影像特征提取的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)。這類(lèi)用于診斷或預(yù)測(cè)預(yù)后的機(jī)器學(xué)習(xí)模型的輸入一般是與疾病相關(guān)的各種特征：通常包括臨床特征,病理特征，影像學(xué)特征（強(qiáng)度特征，形狀特征，紋理特征）或者基因組學(xué)特征。因此，機(jī)器學(xué)習(xí)通常涉及特征的提取和篩選。如吉林大學(xué)的Hui-Ling Chen，Bo Yang^[9]等人利用RS(Rough Sets)約簡(jiǎn)算法作為特征選擇工具與支持向量機(jī)SVM相結(jié)合，對(duì)乳腺癌診斷的準(zhǔn)確率平均值達(dá)到96%以上，并且還檢測(cè)出了五個(gè)與診斷最相關(guān)的特征（腫塊厚度，細(xì)胞形狀的均勻性，邊緣粘附，裸核，有絲分裂），可為乳腺內(nèi)科醫(yī)生提供重要線索。      

卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為計(jì)算機(jī)視覺(jué)領(lǐng)域最成熟的算法，是提取影像特征用于診斷的絕佳工具。利用CNN可以跳過(guò)手動(dòng)提取和篩選特征這一步，實(shí)現(xiàn)端到端的算法模型。將CNN應(yīng)用于醫(yī)學(xué)診斷著名的工作有2016年谷歌^[10]研究者基于視網(wǎng)膜眼底照片自動(dòng)識(shí)別糖尿病視網(wǎng)膜病變的研究，2017年斯坦福研究發(fā)者表在Nature^[11]上基于皮膚病圖像的皮膚癌診斷研究以及2017年發(fā)表在JAMA^[12]基于病理圖像的乳腺癌淋巴結(jié)轉(zhuǎn)移診斷研究。這些研究都顯示CNN在診斷上的表現(xiàn)與?？漆t(yī)生同等水平，甚至高于醫(yī)生平均水平。國(guó)內(nèi)相關(guān)研究有2017年中國(guó)科學(xué)院的Wei Shen^[13]等人利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)基于CT圖像的肺結(jié)節(jié)良惡性分類(lèi)，準(zhǔn)確度達(dá)到87.14%，AUC達(dá)到0.93。將機(jī)器學(xué)習(xí)應(yīng)用于預(yù)后預(yù)測(cè)的研究思路與診斷相似，算法也通用。目前國(guó)內(nèi)相關(guān)的研究工作有2017年中國(guó)科技大學(xué)Dongdong Sun^[14]等人將DNN與SVM相結(jié)合建立了基于基因組學(xué)數(shù)據(jù)的乳腺癌預(yù)后模型，準(zhǔn)確率為0.698，優(yōu)于單獨(dú)使用CNN或SVM。

    圖像分割是深度學(xué)習(xí)尤其是卷積神經(jīng)網(wǎng)絡(luò)技術(shù)具有極佳表現(xiàn)的領(lǐng)域。近年來(lái)卷積神經(jīng)網(wǎng)絡(luò)研究發(fā)展迅速，特別是U-net和對(duì)抗神經(jīng)網(wǎng)絡(luò)的應(yīng)用使得人工智能在圖像分割領(lǐng)域的表現(xiàn)接近甚至超過(guò)人工勾畫(huà)。中國(guó)研究者在人工智能與圖像分割結(jié)合的領(lǐng)域也頗有建樹(shù)。在技術(shù)層面上，通過(guò)設(shè)計(jì)開(kāi)創(chuàng)性的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)^[15]，損失函數(shù)，衡量指標(biāo)^[16]甚至是獨(dú)特的卷積核結(jié)構(gòu)^[17]來(lái)優(yōu)化自動(dòng)分割圖像的精度；在應(yīng)用層面上圖像分割的研究也涉及到了各種部位例如頭頸^[15]，乳腺^[17]，肺^{[16, 18-19]}，直腸^[20]等以及各種類(lèi)型的影像數(shù)據(jù)包括CT^{[16, 18-19]}，MRI^[20]，超聲圖^[17]像等。這些研究不僅在衡量指標(biāo)上，例如DSC，HD等達(dá)到了令人印象深刻的高度，而且對(duì)實(shí)際應(yīng)用中的可視化（包括三維可視化）做出了適合臨床直觀理解的工作。

人工智能在放療中的應(yīng)用主要集中于以下幾個(gè)方面，對(duì)于危及器官的勾畫(huà)，Sun Y等開(kāi)發(fā)了一種先定位后分割（FLTS）的精準(zhǔn)分割方法^[21]，Ren X等利用交錯(cuò)多個(gè)3D卷積神經(jīng)網(wǎng)絡(luò)^[22]，提高了在頭部和頸部CT 圖像勾畫(huà)的準(zhǔn)確率。結(jié)合訓(xùn)練好的DCNN 模型和GPU 硬件加速，可以實(shí)現(xiàn)對(duì)放療圖像的組織器官快速分割，精確地自動(dòng)勾畫(huà)靶區(qū)及危及器官結(jié)構(gòu)，促進(jìn)精準(zhǔn)放療技術(shù)的進(jìn)一步發(fā)展。除圖像分割及勾畫(huà)外，也可以用深度學(xué)習(xí)的方法作劑量分布預(yù)測(cè)，如Fan J等和Liu Z等利用U-ResNet-D網(wǎng)絡(luò)分別現(xiàn)了鼻咽癌腫瘤在直線加速器IMRT和HT上的3D 劑量分布預(yù)測(cè)^[23-24]。

除科研外， “人工智能”已經(jīng)成為傳統(tǒng)醫(yī)療巨頭和互聯(lián)網(wǎng)科技公司等未來(lái)發(fā)展戰(zhàn)略方向，西門(mén)子醫(yī)療、通用醫(yī)療、飛利浦醫(yī)療、聯(lián)影醫(yī)療以及東軟醫(yī)療等設(shè)備公司紛紛成立智能醫(yī)療部門(mén)。谷歌、阿里巴巴、騰訊、復(fù)星醫(yī)藥等企業(yè)均表示會(huì)將醫(yī)療領(lǐng)域作為本企業(yè)AI的發(fā)力點(diǎn)，成為公司未來(lái)戰(zhàn)略的重要組成部分。同時(shí)很多新生的AI公司比如聯(lián)影智能、推想科技、科大訊飛、深睿醫(yī)療、慧醫(yī)匯影、圖瑪深維、依圖科技等也在著力研發(fā)AI醫(yī)療影像產(chǎn)品。為醫(yī)院和醫(yī)師提供全產(chǎn)鏈條等智能服務(wù)。AI醫(yī)療影像產(chǎn)品已涵蓋從計(jì)算機(jī)輔助監(jiān)測(cè)，計(jì)算機(jī)輔助診斷、計(jì)算機(jī)精準(zhǔn)診斷、計(jì)算機(jī)量化隨訪、到計(jì)算機(jī)精準(zhǔn)治療全流程。

綜上所述，中國(guó)研究者對(duì)于將人工智能運(yùn)用于醫(yī)學(xué)物理尤其是放療物理中具有極高的熱情，并且在圖像分割、靶區(qū)勾畫(huà)、診斷及預(yù)后預(yù)測(cè)等放療相關(guān)領(lǐng)域都做出了突出貢獻(xiàn)。而這股將AI運(yùn)用于醫(yī)學(xué)物理中的研究熱潮在未來(lái)幾年仍將持續(xù)增漲。但人工智能在醫(yī)療領(lǐng)域的應(yīng)用具有特殊性，包括病例的復(fù)雜程度和多樣性，這導(dǎo)致目前人工智能算法還未能達(dá)到理想的精準(zhǔn)度。目前想要把人工智能與醫(yī)療大規(guī)模結(jié)合并應(yīng)用到臨床還難以實(shí)現(xiàn)。相關(guān)研究人員^[20]認(rèn)為，要實(shí)現(xiàn)真正的AI落地，需要解決數(shù)據(jù)共享、數(shù)據(jù)和算法的準(zhǔn)確性和透明度、患者的安全、數(shù)據(jù)標(biāo)準(zhǔn)化、嵌入現(xiàn)有臨床工作流程、經(jīng)濟(jì)考量和人才配備的問(wèn)題等。在醫(yī)學(xué)物理領(lǐng)域，人工智能技術(shù)的運(yùn)用也存在著同樣的問(wèn)題。不過(guò)隨著技術(shù)的發(fā)展和數(shù)據(jù)的積累，相信這些問(wèn)題會(huì)逐步得到解決。

參考文獻(xiàn)（略）