来自领先癌症中心的科学家充分运用AI的力量来重新设计他们的数据方法
为了从数据中释放出真正的洞察，AI和数据科学研究不能位于企业机构的外围，而是必须成为其核心战略的一部分。
美国排名第一的癌症医院——德克萨斯大学安德森癌症中心(MD Anderson Cancer Center)正在这样做。该中心专注于数据治理，数十名研究者推进各项AI加速肿瘤学项目以改善病人护理。
安德森癌症中心首席数据官Caroline Chung博士表示：“我们正在关注上下文中的数据，确保能有一个经过协调的元数据供应链来解决目前AI模型临床转化中的挑战。为了建立更好、更强大的预测模型，我们需要一项经过协调的战略，该战略应涵盖从数据生成到机器学习临床应用的每个环节。”
这种数据治理战略将影响医院采集和使用数据产生洞察的方式，并实现数据的可查找性、可访问性、互操作性和可重复使用性。
Caroline Chung表示：“这是文化上的一个巨大改变。我们能够捕捉到带有上下文信息的数据越多，我们能够提出的问题就越复杂，就更有可能使用机器学习的洞察力来帮助我们的临床医生改进与病人的互动，指导以数据为依据的治疗决策，实现符合护理目标的最佳病人护理结果。”
通过建立一条采集研究者所需的高质量数据、安全存储数据并追踪其使用情况的流水线，安德森癌症中心将为各个项目提供更好的支持以帮助临床医生分析放射学数据、提供癌症治疗、预测败血症等并发症。
该中心的许多项目已经在进行中并在NVIDIA DGX系统等新GPU驱动技术的推动下加速发展。新投资将使研究者能够获得数千个GPU核来支持整个机构的AI项目。
肿瘤学的第一步是检测肿瘤，而且越早越好。安德森癌症中心正在开发早期检测AI应用以帮助诊断胰腺癌患者，此类癌症患者的五年生存率只有10%。
安德森癌症中心胃肠道放射肿瘤学联合主任Eugene Koay博士表示：“胰腺癌往往是在它已经转移之后才被诊断出来，此时它已经扩散到其他器官。我们正在研究一种AI模型，该模型能够随时分析我们在CT扫描、核磁共振成像（MRI）研究以及内窥镜超声波中看到的胰腺，无论病人的就诊预约是否与胰腺有关。”
胰腺肿瘤有着不同的特征。有些胰腺肿瘤移动缓慢，有些则移动快速。有些起源于胰腺中的囊肿，有些则不是。
在与早期检测研究网络的合作中，Koay和他的团队正在研究如何使用卷积神经网络确定哪些病例最有可能发展成恶性肿瘤，使临床医生可为有风险的病人提供更多帮助。
当准备用放射疗法治疗癌细胞时，肿瘤学家依靠一个被称为轮廓勾画的流程来追踪将被放射治疗锁定的肿瘤。
这是一个耗时的流程，肿瘤学家经常积压着有待制定放疗治疗计划的病人。安德森癌症中心放射物理学副教授Laurence Court博士希望通过AI工具减轻人工给勾画轮廓的负担，令医院每年能够多治疗几千名癌症病人。
他对这些AI临床工具在低资源环境中可能产生的影响特别感兴趣，在这种环境中，放射科医生和肿瘤科医生短缺，使得病人更难获得挽救生命的放疗治疗。
轮廓勾画也被用于规划核磁共振辅助放射手术，这种先进的近距离放射治疗方法通过植入的种粒将辐射剂量传递给癌组织。安德森癌症中心放射肿瘤学家Steven Frank博士使用这种疗法来治疗前列腺癌。
在核磁共振成像上对前列腺和周围器官进行精确的轮廓勾画可以确保放射性种粒被送至正确的区域，使其能够治疗癌症而不伤害邻近组织。
正在Frank实验室开发转化型AI的安德森癌症中心医学影像物理学研究员Jeremiah Sanders博士表示，通过一个使用先进GPU技术的AI模型，中心的肿瘤学家提高了近距离放射治疗计划制定和治疗质量评估过程中的轮廓勾画质量。
为了确定辐射输送质量，Sanders和Frank还在研究一个在近距离放射治疗手术后使用的模型——分析前列腺核磁共振成像研究的AI应用。该模型所提供的洞察可以帮助临床医生确定是否需要额外的治疗以及如何在治疗后管理病人。
为了使AI模型在临床环境中取得成功，医学研究者需要抓住神经网络难以解决的情况并重新训练它来提高应用的性能。
安德森癌症中心影像物理学和放射物理学教授Kristy Brock博士正在开展一个异常检测项目，确定AI模型无法通过CT扫描对肝脏肿瘤进行轮廓勾画的情况，例如病人肝脏内有支架或器官周围有液体的异常图像。
通过识别这些罕见的失败情况，研究者可以加入更多与神经网络之前偶遇情况类似的训练案例。这种连续训练方法能够有选择性地加强训练数据，从而更高效地提高模型性能。
Brock表示：“我们不想继续采集与我们前150次扫描相同的数据，而是希望识别能增加我们样本数据集变化性的案例，而这又能提升模型的准确性和通用性。”
分享到微信
分享到微博
