人工智能在肿瘤放射治疗中的应用

目 录
**篇 前景展望
第1章 2040年的临床肿瘤放射治疗：临床视角下的肿瘤放射治疗的未来 3
1 肿瘤诊断 4
2 到2040年，AI可以通过精确预测改善肿瘤的早期检测精度 5
3 到2040年，基于AI的方法将提高病理学结果判读的质量一致性和可及
 性，并可以通过更大规模的随机数据支持预后和风险分层功能 5
4 到2040年，先进的统计学方法将会推动使用或提供肿瘤分期中的关键
 特征信息 6
5 到2040年，AI将通过改进决策支持系统，为患者确定合适的个体化治
 疗方案，推动以患者为中心的诊疗目标的实现 6
6 到2040年，EHR系统中内置的算法工具将简化审查记录、制定和编制
 规范化文档的过程 6
7 到2040年，AI辅助的自动分割和自动计划设计将会成为临床实践常规，
 可以提高放疗计划设计的质量和速度，这将影响治疗过程监测及治疗
 策略再规划 8
8 到2040年，AI将允许使用多来源数据，帮助医生更好地管理患者的生
 命质量 9
参考文献 9
第2章 2030年肿瘤放射治疗的展望 15
1 概述 16
2 对未来的展望 17
3 肿瘤放射治疗中常用的AI工具包 19
4 进入2030年AI工具的发展轨迹 22
5 结论 26
参考文献 26
第二篇 实施策略
第3章 在医学影像学中应用人工智能的经验教训及其对肿瘤放射治疗的启示 29
1 人工智能生态系统的演变 29
2 不同类型的机器学习工具 32
3 医学影像学的数字化转型和计算机辅助诊断（CAD） 34
4 医学影像学和肿瘤放射治疗学的比较 39
5 医学影像定量分析：新的量化分析工具 40
6 工作流程优化和工作效率改善 41
7 将AI工具整合到工作流程和新的智能管理系统（IMS）中 43
8 机器学习十项实践原则 44
9 结论 44
致谢 45
参考文献 45
第4章 用于人工智能辅助肿瘤放射治疗研究的公开数据库 47
1 概述 48
2 放射治疗和肿瘤影像中的AI 48
3 开放获取式数据库 49
4 无需数据共享的分布式机器学习 50
5 数据获取、策略管理和质量 50
6 注释和标记数据 52
7 其他挑战 53
8 结论 54
参考文献 54
第三篇 AI工具
第5章 肿瘤放射治疗中的影像组学技术与工具 59
1 影像组学的定义和历史 59
2 数据输入和预处理 61
3 分割 63
4 影像组学特征的提取和标准化 64
5 影像组学特征提取工具 65
6 特征选择和降维 67
7 影像组学分析 70
8 结论 72
参考文献 72
第6章 人工智能在肿瘤放射治疗图像自动分割中的应用 79
1 肿瘤放射治疗中图像分割的重要性 79
2 深度学习技术在医学图像分割中的应用概述 81
3 自动分割性能的评估 84
4 临床实践中AI自动分割的挑战 88
5 结论 91
参考文献 92
第7章 肿瘤放射治疗中的知识表示 99
1 概述 99
2 知识表示 101
3 
统一医学语言系统（Unified Medical Language System，UMLS）及其
 构成 104
4 
UMLS的局限性 106
5 
在UMLS之外的KR 108
6 KR支持的医疗自然语言处理NLP 109
7 KR的应用 110
8 KR支持的机器学习 112
9 
人工神经网络（Artificial Neural Networks，ANNs），KR和可解释性 114
10 医学KR的未来 115
11 结论 116
参考文献 116
第8章 肿瘤放射治疗中的自然语言处理 119
1 概述 119
2 什么是自然语言处理（Nature Language Processing，NLP）？ 119
3 医学中的NLP 124
4 肿瘤学中的NLP 127
5 肿瘤放射治疗中的NLP 130
6 结论 133
参考文献 133
第四篇 AI应用
第9章 基于先验知识的放射治疗计划设计：高效可靠的自动化计划设计技术 141
1 概述 141
2 基于先验知识（KBP）的治疗计划设计 142
3 KBP的应用 146
4 结论 147
参考文献 148
第10章 放射治疗计划设计中的人工智能 153
1 概述 153
2 放射治疗计划设计流程和自动化 154
3 放射治疗计划设计中的人工智能方法 157
4 人工智能其他的方法和思考 166
致谢 167
参考文献 167
第11章 人工智能在放射治疗计划设计中的临床应用 173
1 概述 173
2 问题定义、研究范围和数据整理 174
3 技术验证 176
4 临床验证 179
5 临床医生的信任、AI的可解释性和偏差 181
6 AI治疗计划实施的特殊考虑 183
7 质量保证、再训练和维护 184
8 结论 186
参考文献 186
第12章 人工智能在基于患者种族基因分型进行放射治疗毒性风险预测的应用 189
1 概述 190
2 GWAS机器学习方法 191
3 识别与毒性相关的生物因素：机器学习在GWAS中的关键优势 199
4 结论 201
致谢 201
参考文献 202
第13章 影像组学在预后和评估治疗反应中的应用 207
1 影像组学作为预后的辅助手段 208
2 治疗反应预测 211
3 治疗反应追踪 215
4 影像组学作为肿瘤病理信息获取的替代方法 217
5 迄今为止，人工智能在临床影像组学特征开发中的应用现状 219
6 结论与展望 219
参考文献 221
第14章 人工智能如何帮助我们理解和降低肿瘤放射治疗中的错误传递 229
1 概述 229
2 肿瘤放射治疗中的患者安全 231
3 肿瘤放射治疗工作流程：参考时间表的构建 234
4 创建原型统计模型 237
5 了解系统中错误报告的数据：过去和现在 239
6 了解错误报告数据：未来会怎样？ 240
7 人工智能驱动的错误解决系统的设想 243
8 人工智能的挑战和陷阱 246
9 结论 247
参考文献 247
第五篇 评估和结果
第15章 肿瘤放射治疗中的人工智能与伦理 253
1 医学伦理的基本原则 253
2 人工智能在医学和肿瘤放射治疗中的伦理问题 256
3 肿瘤放射治疗中新兴的人工智能工具 260
4 肿瘤放射治疗中人工智能的伦理展望 264
致谢 266
参考文献 266
第16章 人工智能在肿瘤放射治疗中应用的评价 269
1 AI在肿瘤放射治疗中应用的概述 269
2 医疗领域中AI应用的评估框架 270
3 肿瘤放射治疗中AI应用的评估 271
4 结论 274
参考文献 274
中英文词汇对照 277