借助医疗保健人工智能工具革新癌症研究
癌症医学领域始终面临着一个艰巨的挑战 — 实际上是两个挑战:治疗患者,以及推进预防和抗击疾病的研究。而且,更长的生存期确保有越来越多的患者愿意接受治疗。让人欣慰的是,医疗保健人工智能的进步正在推动癌症研究和治疗的发展,而这些进步是医疗保健和科技行业珠联璧合的结果。
让我们来具体了解其中的一个合作项目,例如:德国 UMG(哥廷根大学医学中心)放射学助理教授兼 AI 研究组主任 Johannes Uhlig 博士;以及 Siemens Healthineers 人工智能德国数字技术与创新部的研究科学家 André Aichert 博士,他们正在合作开展一个名为 Cancer Scout 的项目。为了全人类的福祉,他们携手将技术带入临床研究,又将临床经验回馈到技术 (视频 1)。
人工智能的哪些进步改变了癌症研究?
André Aichert 博士:人工智能对整个医疗保健领域的影响不可低估。作为一家公司,Siemens Healthineers 自从第一张 X 光片诞生以来便扎根于行业;在那以后,我们一直在影像的细节和数量等方面不断改进。目前,人工智能的应用让临床医生有机会处理呈现在他们面前的海量影像和数据,并加以充分利用。今天开始使用 AI 解决方案的临床医生拥有最先进的技术,并将拥有它的所有优势。
对于应用了 UMG 的 Cancer Scout 项目,我们正在分析试图定义和检测癌症亚型的的许多不同的数据源 (不仅仅是影像)。Uhlig 博士的放射学子项目的问题是:我们能否根据放射学影像识别某些癌症亚型?如果我们能够识别,那么可能就不需要活检术了。总的来说,我们正在努力优化工作流程,防止进行不必要的侵入式手术,并对各种数据进行分析。
Johannes Uhlig 博士: 目前,在临床癌症成像方面有几个挑战。首先,由于人口老龄化,因此我们可以看到医疗保健方面的需求在增长。此外,放射成像在过去几十年中使用更加广泛,并且使用更频繁。特别是在癌症成像方面,我们面临着病例数量大幅增加的情况,我相信放射科医生不能以传统方式评估这些图像。
例如,对于德国的乳腺癌筛查,我们使用基于 X 射线的乳房 X 线照相术。2018 年的最新数据显示,有 280 万妇女接受了乳房 X 光摄影检查,其中 97% 的扫描结果为阴性。当前的设置是,每次乳房 X 光摄影检查都必须由两位经验丰富的放射科医生独立进行评估。但我们有文献表明,基于 AI 的乳房 X 光摄影检查评估方法至少在诊断准确性方面与放射科医生的方法相当。那么我们可以使用 AI 算法,而不需要放射科医生吗?从道德和经济的角度来看,是否必须这样做?
乳腺癌筛查其实只是冰山一角。对于癌症研究,我相信 AI 是过去十年的流行词汇。例如,我们的研究小组一直专注于从 CT 和 MRI 图像中提取更多信息,以指导疑似肾癌或前列腺癌患者的临床决策。在 Siemens Healthineers 的 Cancer Scout 项目中,我们使用 AI 算法和 syngo.via 软件将肺癌患者的放射 CT 成像与大量队列中的病理学分析关联起来。我们希望有一天,这些 AI 算法将推动放射成像在指导肺癌治疗中的作用。
软件如何推动您的研究,特别是与传统方法相比?
André Aichert 博士: 首先,我应该解释一下在临床环境中做研究时遇到的一些实际问题。首先,由于欧洲的 GDPR 或美国的 HIPAA 的原因,我们处理个人信息时必须非常小心。仅仅访问数据并达到拥有 AI 算法基础的程度,此流程就比您想象的要复杂得多。
然后,大多数成功的算法都受到监督,这意味着您需要与临床医生合作,以为您提供注释,并让您了解您实际在查看的内容,以便算法重现这些研究结果。因此,获取这些数据至关重要。但是,随着时间的推移,不同的供应商、部门或站点拥有不同的临床 IT 环境,有时系统之间无法通信。从这些系统中收集和协调数据实际上要付出大量的心血,并且有时可能会非常痛苦。
例如,您在 GitHub 上有自己喜欢的免费程序,而您只想针对部分数据运行此程序。您必须确保您能够或被允许使用该软件。然后,您必须确保您正在使用的这些数据是匿名的。您可以对其进行匿名化、将其导出,然后将其复制到运行该软件的其他电脑上。然后,您必须确保它 是真正匿名的。接着您就能够获得结果。但是,您必须回到原始系统,重新集成这些结果,也许来自其他 IT 系统的信息也需要这样做。这与我作为一名研究人员或实际 IT 用户所习惯的方式完全不同。
然后,即使您已经训练了第一个模型,并且想利用真实数据测试它们,这也可能是个问题。在将软件实际发布给临床医生之前,您让开发团队处理临床用例并开发美观的软件是有一定风险的。然后,他们在现实世界中尝试使用,但他们突然意识到有一个非常基本的假设是错误的。
接着您就有麻烦了,您面临的就是迅速失败(就像在硅谷一样)。 您希望能够有一个早期的原型,虽然该原型的问题还没有得到完全解决,但您可以将该问题报告给临床医生,获得反馈,然后缩短这个反馈循环。这时 syngo.via Frontier 就能助您一臂之力了。
基本上, syngo.via Frontier 研究平台尝试着在我刚才解释的所有这些步骤中提供帮助。这是一个端到端的集成解决方案。如果您在诊所安装了 syngo.via,则可以针对数据包的数据运行此系统,并从该系统附带的市场下载应用程序。这与过去相比的优势是非常显著的,因为您不必自己寻找软件,再尝试以某种方式将其集成到我在前面描述的流程中。
您如何与 Siemens Healthineers 及其平台合作?
Johannes Uhlig 博士:syngo.via 软件深入嵌入到我们部门的临床工作流程中了。例如,我们将其用于所有心脏 CT 扫描、冠状血管识别,或作为创伤患者的即时影像检视器和重建软件。它在所有情况下表现都非常出色。我们还有四名研究人员在 Cancer Scout 项目上全职工作了几个月——我们有几千名患者,项目必须顺利进行——我们用该项目来进行数据累积、注释和监督。
对我来说,多合一功能至关重要;我想让整个数据管道使用尽可能少的软件工具。有了 syngo.via,我们就拥有了全套软件,能够从我们的影像数据库中提取数据。我们可以对横截面图像进行注释,并且我们可以采用符合严格的德国法规的方式对这些病例进行匿名化。
与大学合作开展此项目的重要性体现在哪里?
André Aichert 博士: 合作是绝对有必要的。如果我们没有愿意与我们合作并分享他们的知识(也解释他们所遇到的问题)的临床研究人员(如 Uhlig 博士),那么我们很难在这一领域取得任何进展。作为一名 AI 研究人员,我还必须对手头的临床问题有所了解。
但同样重要的是,软件的使用应符合临床医生的日常工作,数据应以医生实际上可以区分类型、或区分位置和几何形状的方式呈现。所以您必须定义一个真正有意义的注释协议。
您对这个项目的未来有什么设想?
Johannes Uhlig 博士: 我们构建的这些 AI 算法必须在临床环境中进行评估和训练,这一点至关重要。他们必须处理次优扫描;针对不同的患者,他们必须使用不同的扫描仪类型。但是,正如 André 所说,放射科医生和临床医生都接受了。显示 AI 结果的最佳方式是什么?如何可视化结果?Outlier 如何报告?但是鉴于相互信任,我相信 UMG 和 Siemens Healthineers 作为合作伙伴将找到应对这些挑战的方法。
André Aichert 博士: 模型的下一步之一肯定是查看其他站点,而可扩展性是这方面的关键。我们已经使用了一种名为 teamplay 的解决方案来收集 UMG 的数据,它也可以用于从以类似方式生成的其他站点收集数据。我们能够在不同地点集成或支持不同的 IT 基础设施,这些基础设施可能与 UMG 的基础设施大不相同。
您最后有什么想法?
André Aichert 博士:对于 AI 研究人员来说,医学领域是一个非常令人兴奋的领域。这种问题非常多样化,模式和图像也非常多样化。您还希望能够分享知识和数据,并推动支持此迭代过程的各种医学学科的协作,以便最终开发和部署应用程序。
Johannes Uhlig 博士: 对作为一名临床医生的我来说,我相信 AI 真的是未来。我想,考虑到案例数量,在未来10年内,如果没有 AI 算法的应用,我们是不可能工作的。我还必须强调, AI 研究确实是一个团队努力的结果。我们需要像 UMG 这样的学术机构和像 Siemens Healthineers 这样的制造商之间的这些合作来推进医疗保健,特别是考虑到癌症成像的风险。只有通过这种持续的相互反馈、调整和微调,我们才能创造出不仅准确而且能被医疗保健专业人员接受的 AI 工具。
相关内容
要了解有关医疗保健 AI 转型的更多信息,请收听《用于癌症研究的医疗保健 AI:与 Siemens Healthineers 合作》并阅读《医生的远程诊断能力》。有关 Siemens Healthineers 的最新创新,请在 Twitter 和 LinkedIn 上关注他们。