该研究总结了人工智能（AI），特别是深度学习方法在分子影像和放射治疗研究中的主要应用。为此，讨论了人工智能在分子成像和放射治疗领域的应用，包括PET仪器设计、PET图像重建量化和分割、图像去噪、放射剂量测定和计算机辅助诊断以及结果预测。这篇综述简要介绍了人工智能和深度学习的基本概念，随后介绍了人工智能和深度学习的开创性成果及其在临床环境中的应用所面临的挑战。
该研究以“Applications of artificial intelligence and deep learning in molecular imaging and radiotherapy”为题，于北京时间9月23日发表于European Journal of Hybrid Imaging，为今后人工智能的应用，特别是深度学习方法，在分子成像和放射治疗领域提供参考。
人工智能(AI)在过去几年中吸引了相当多的关注，尽管它在几十年前就已经出现了。随着深度学习算法的引入，专注于多模态医学成像的研究呈指数级增长；主要针对被认为依赖于人类干预、解释或手工数据准备、修改的应用。这些算法表现出巨大的潜力，可以有效地从数据中学习，正确地解释数据，并在适当的训练后成功地完成某些任务。由于有效处理数据溢出、消除来自基于个人经验的错误人类概括的乐观偏差、管理罕见疾病、对人与人之间和人与人之间、中心之间的变化的鲁棒性，以及稍加修改就能完美更新的可能性，在这方面，基于人工智能解决方案的五个通用领域引起了人们的关注，并被认为是游戏规则改变者或范式转变者被确定。这项工作的主要目的是通过回顾在每个通用领域中提出的开创性工作和新颖框架，对人工智能技术在分子成像和放射治疗中的现状进行总体洞察。此外，还讨论了开发者、科学家在临床中全面实施基于人工智能的解决方案的过程中所面临的挑战和障碍，以及需要额外研究和开发努力的有前途的研究途径。
"PET仪器"部分介绍了基于人工智能的PET仪器的最新发展，重点介绍了PET探测器的定时和事件定位。"PET图像重建、量化、分割"部分讲述了针对PET图像重建、量化和分割任务开发的最先进的AI算法。本节涉及的一些应用和算法也适用于放射治疗，如基于MR的合成CT生成和器官分割。"PET图像去噪"部分专门介绍PET图像去噪和算法，使其能够从PET和SPECT成像老化的低剂量扫描中预测高质量、标准剂量的图像。辐射剂量计算"部分讨论了人工智能技术在辐射剂量计算中的应用，这对诊断分子老化和分子放疗都很有价值。"计算机辅助诊断和结果预测"部分主要讨论与利用AI技术描述恶性病变特征相关的计算机辅助诊断和结果预测等较为通用的话题。
该图比较了使用生成式对抗网络、基于图谱和基于分割的方法从T1加权图像估计的合成CT图像。使用PET图像校正衰减和散射。提供上述合成CT图像以及相应的偏向图进行定量评估，由于光子与生物组织相互作用的随机性，光子在患者体内散射的估计对定量PET重建提出了挑战，其建模需要活动分布和衰减图的知识。蒙特卡洛模拟被认为是散射估计的金标准工具，然而，这种方法是令人望而却步的耗时，以产生可靠的统计结果。虽然单散射模拟算法耗时较少，但它只假设检测到单散射事件。因此，有很大的改进空间。在这方面，正在进行的研究旨在应用人工智能进行快速和准确的散射估计。由于膀胱的高活动集中度和FOV的限制，PET中的散射建模在骨盆区域更具挑战性。AI用于散射估计的优势是计算时间快，并且可能具有更高的定量精度，前提是可以在合理的时间内使用准确的蒙特卡洛模拟的地面真实数据进行稳健的训练。
在过去的十年中，机器学习技术已经被利用，通过一个被称为计算机辅助诊断的过程来帮助临床诊断和疾病的特征。在这方面，放射组学特征已被广泛用于预后、癌症亚型和病变、组织表征。Radiomic特征提取可以以手工制作或工程化的方式进行，尽管最近基于深度学习的特征提取已经通过超强的鉴别性和指示性特征选择显示出了希望。根据成像模式的特征设计的手工制作的放射特征，以帮助解释医学图像，通常被输入到分类器中，以预测癌症发展的风险、肿瘤的侵袭性和恶性肿瘤的可能性。相反，基于深度学习的方法将图像的一个子区域作为输入，然后进行特征提取优化，以最大限度地提高结果预测的准确性。
利用人工智能算法进行病变表征主要是为了描述病变随时间变化的行为，例如，明确假阳性诊断。此外，病变表征也被用于影像基因组学，其中从病变中提取的放射性特征被视为表型，以研究其与病理的相关性和、或关联性。基于深度学习的病变分析并不直观的，而不是手工制作的特征，其中与某些已知性状相关的特征是在监督训练方案中指定、建立的。这些通过监督学习过程提取、选择的fea- tures随后可用于进一步的基因组发现研究。
除了恶性病变，当关注非恶性组织时，也会寻求组织表征，以评估疾病发展的可能性，例如，以评估乳腺癌风险为目标的实质分析。在这方面，已经利用深度学习方法将乳腺密度和实质形态与乳腺癌发展风险相关联。
过去几年，人工智能方法，特别是深度学习方法取得了令人瞩目的进展，在未来的应用中显示出巨大的前景。基于框架，辅以人为干预，可以在患者管理、解释和诊断放面产生协同效应。
此外，应区分用基于AI的解决方案替代传统或现行算法、系统、框架，以及用基于AI的解决方案替代专家、临床医生、人力资源。目前，一些基于AI的方法已经表现出足够的准确性和稳健的性能，可以在临床实践中作为传统工具的替代或补充资源。在这方面，基于AI的方法的失败可以通过现有的传统工具进行验证、校正，尽管需要人类干预。相反，用当前基于AI的方法取代专家和人类的解释。
尽管人工智能方法在临床实践中发挥重要作用并承担部分放射科医生的职责还有很长的路要走，但现在是时候定义和引入框架工程、协议和标准，以利用这些方法作为替代选择或协助临床实践中的流程和决策。AI的性能可能等于甚至超过专家在医学的各种应用中的表现。然而，医学影像、诊断和治疗中的大部分挑战还远未完全解决，这就需要基于任务的人工智能算法，架构的开发优化。为此，应该充分建立人工智能三角区的每个方面。这个三角包括大数据、算法、架构和处理能力。虽然有不少努力着手缓解数据规模有限的问题，但大数据仍然被认为是人工智能的主要挑战，以全面描绘其在医疗实践中的潜力和陷阱。此外，大数据的概念是一个模糊的概念，由于其巨大的任务依赖性，仍有待经验性的概括。
原文链接：https://link.springer.com/article/10.1186/s41824-020-00086-8?utm_source=other&utm_medium=other&utm_content=null&utm_campaign=BSCN_4_DD01_CN_CNKI#citeas
