深度學習為腫瘤診療帶來全新解決方案

北京連心醫(yī)療科技有限公司，專注于腫瘤的放射治療領(lǐng)域，將機器學習、深度學習技術(shù)與放射治療相結(jié)合，實現(xiàn)危及器官和靶區(qū)的自動分割，自動計算放射量等，讓放療醫(yī)生和物理師從機械性工作中解脫出來，提升工作效率和效能，從而提高腫瘤患者的生存質(zhì)量。同時，連心醫(yī)療致力于把整個放療流程扁平化，使病人可以得到標準化的勾畫，專業(yè)的放療方案以及及時的放射治療，切實提升每個病人的治療效果。

腫瘤診療現(xiàn)狀——費時低效

放療是腫瘤治療的三大手段之一。目前，我國乃至全球的癌癥診治都面臨著重大壓力，尤其是我國腫瘤患者總數(shù)和死亡率都高于全球平均水平，每年花費在腫瘤診斷和治療上的費用高達3200億元。然而，我國接受放療的患者占比僅為22%，只占歐美主流國家的三分之一。放療屬于無創(chuàng)療法，能夠保留組織器官的機能和完整性，尤其對早期腫瘤的治愈率可高達90%。

在實施放射治療的過程中，醫(yī)生需要按照CT/MR拍攝診斷，手動勾畫危及器官和腫瘤靶區(qū)，再由物理師制定放射治療計劃方案，然后再在照射機器上讓患者接受放射治療。手動勾畫危及器官的過程繁雜且冗長，不僅耗費放療醫(yī)生大量的時間，而且技術(shù)含量相對較低，放療醫(yī)生完成一位患者的危及器官勾畫通常需要花費3-5個小時。此外，患者從確診、勾畫危及器官和靶區(qū)勾畫、制定計劃、評估、優(yōu)化到實施治療通常需要一到兩周的時間，此時，確診時的病灶很有可能已經(jīng)發(fā)生病變，難以準確定位，這也是物理師為何通常在設(shè)定照射區(qū)域時要在醫(yī)生勾畫的位置往外擴大一些的原因。

再加上醫(yī)療水平的差別，以及對解剖結(jié)構(gòu)的理解差異等，不同醫(yī)生的危及器官與靶區(qū)勾畫習慣也迥然有別。醫(yī)生依照自己的知識體系進行勾畫，難以有一套可量化的勾畫標準及評定標準，在標準性和一致性上的效果都差強人意。這些環(huán)節(jié)無一不讓病人的治愈率大打折扣。一方面醫(yī)生在重復性、低水平工作上耗費了大量的時間；另一方面由于靶區(qū)勾畫存在人為誤差，物理師無法制定準確的放療方案。導致的結(jié)果是，病人承受著病痛的折磨，卻仍無法得到理想的治療效果。

近年興起的深度學習，在諸如ImageNet，Microsoft coco等數(shù)據(jù)集上表現(xiàn)出了驚人的能力，這也讓深度學習技術(shù)應用到醫(yī)療圖像處理上成為可能。

器官醫(yī)學圖像自動分割面臨的挑戰(zhàn)

器官分割旨在識別醫(yī)療圖像中的各個器官，把不同器官自動地在圖像中分割出來，從而減少醫(yī)生的勾畫干預。醫(yī)療圖像分割從上世紀80年代開始一直都是圖像處理，屬于機器學習的活躍領(lǐng)域。在傳統(tǒng)圖像處理上，通過閾值處理，區(qū)域生長，高階算子等各種算法，對于肺部，骨頭等器官已經(jīng)有許多令人印象深刻的結(jié)果。但是對于大部分的軟組織器官，由于其邊界不明顯，HU值變化小等特點，即便是醫(yī)生來勾畫也常需要豐富的經(jīng)驗，并需借助解剖結(jié)構(gòu)才能大致勾畫出器官組織。所以，這也一直是傳統(tǒng)圖像處理技術(shù)的瓶頸和難點。而且，醫(yī)療圖像通常相對較大，若使用傳統(tǒng)圖像處理方法對每一張圖串行處理，一套醫(yī)療圖像耗費的預測時間是讓人難以忍受的。

同時，鑒于醫(yī)療圖像的敏感性與特殊性，相關(guān)醫(yī)療圖像數(shù)據(jù)的獲取也一直是一大難題，而且不同醫(yī)院數(shù)據(jù)、機器接口及醫(yī)院系統(tǒng)還存在差異性。這些珍貴的醫(yī)療數(shù)據(jù)就像沉在海底的珍珠，發(fā)出點點閃光卻極難獲取。

深度學習帶來全新解決方案

由于深度神經(jīng)網(wǎng)絡(luò)的強大特征提取能力，以及U-Net等圖像分割圖像網(wǎng)絡(luò)的出現(xiàn)，連心醫(yī)療的算法研究團隊在傳統(tǒng)U-Net的基礎(chǔ)上加上3D卷積，殘差模塊，膨脹卷積等操作，在處理梯度消失，提升感受野等方面均得到較好的提升。具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖 1 連心3D U-Net網(wǎng)絡(luò)結(jié)構(gòu)

數(shù)據(jù)方面，連心醫(yī)療和國內(nèi)外30余家頂級放療科室深度合作，如哈佛大學醫(yī)學院、北醫(yī)三院，北京301醫(yī)院等，已經(jīng)積累了26000例高質(zhì)量的勾畫數(shù)據(jù)，并且通過數(shù)據(jù)增強等手段使其可以基本滿足訓練需求。圖2為心臟訓練的結(jié)果，左邊為醫(yī)生勾畫的標注數(shù)據(jù)，右邊為網(wǎng)絡(luò)的預測結(jié)果。

圖 2 心臟分割標注和預測對比

GPU加速計算實現(xiàn)多器官自動分割

目前，連心醫(yī)療使用NVIDIA GPU在訓練和預測兩個層面上進行加速。在訓練上，由于圖像數(shù)據(jù)的大小和3D卷積的原因，即便是在batch size為1的情況所使用的顯存也需要7G以上，所以一般團隊的訓練都采用模型并行的方法，把模型的不同部分放到多塊GPU上來解決顯存不足的問題。表1為心臟分割的本地CPU測試，單GPU測試，雙GPU測試以及四GPU測試的時間對比。

表 1 不同設(shè)備的訓練和預測時間對比

依靠NVIDIA強大的GPU加速，可以看出，在訓練上一個epoch的時間，單GPU處理速度相對于CPU提升了80多倍。四GPU處理速度對CPU更是提升了近300倍。而且隨著GPU數(shù)量的增加，性能幾乎是線性增長的，如圖3所示。這極大的降低了網(wǎng)絡(luò)模型的迭代速度，以及可以讓算法工程師快速的驗證算法。

圖 3 訓練時間柱狀圖對比

預測方面由于數(shù)據(jù)量小，無反向傳播以及前后傳統(tǒng)圖像處理的時間耗費，但仍然可以看出近20倍的處理速度提升。使得GPU進行預測實現(xiàn)多器官自動分割可以將數(shù)十分鐘的CPU計算，縮短到數(shù)分鐘完成。相對醫(yī)生花費數(shù)小時手動勾畫危及器官的工作效率，可見一斑。需要注意的是，示例只是使用了非常常見的普通GPU，測試了單GPU，雙GPU和四GPU下的運行結(jié)果，如果使用專用GPU及分布式GPU系統(tǒng)，可以很輕易地把全部器官預測勾畫時間進一步縮短至1分鐘以內(nèi)，在數(shù)秒內(nèi)便可完成全器官自動勾畫預測。

此外，在精度上，心臟預測可以達到85%以上的準確度，也就是說大部分的圖像醫(yī)生只需做很小的修改，甚至不修改就可以實現(xiàn)器官的自動分割。目前，連心人工智能算法已經(jīng)能夠完成全身幾十種器官的自動分割。

在NVIDIA CUDA技術(shù)的GPU出現(xiàn)以前，由于神經(jīng)網(wǎng)絡(luò)的復雜性，使用神經(jīng)網(wǎng)絡(luò)來訓練模型甚至進行實時預測是難以想象的，而如今基于NVIDIA的高性能GPU平臺，不斷有更多更高性能的GPU發(fā)布出來，對整個醫(yī)療圖像領(lǐng)域來說，可以大大減少諸如危及器官勾畫這些機械式的任務(wù)負擔，進而一步一步實現(xiàn)真正的智慧醫(yī)療。