科大医学物理团队在人工智能自动生成放射治疗计划方面取得重要进展
中国科学技术大学医学物理研究团队近日在人工智能自动生成放射治疗计划方面取得重要进展。研究团队提出了使用癌症患者CT影像中的器官结构信息，利用人工智能深度学习神经网络自动生成放疗计划的方法。该方法跳过耗时最长的放疗计划逆向优化迭代过程，在保证治疗计划质量的同时，大幅缩短了计划制定时间。生成的自动放疗计划100%满足临床质量控制要求，能够直接在放疗加速器上执行。相关研究成果以“Acceleratetreatmentplanningprocessusingdeeplearninggeneratedfluencemapsforcervicalcancerradiationtherapy”为题在《MedicalPhysics》上在线发表。中国科学技术大学物理学院研究生袁曾泰和附属第一医院离子医学中心临床物理师王宇翔为论文的共同第一作者，中国科学技术大学杨益东教授为通讯作者。
近年来，人工智能尤其是以卷积神经网络为代表的深度学习方法在医学成像和放射治疗领域得到了广泛关注。放射治疗是一种重要的癌症治疗手段，超过50%的癌症患者都会接受放疗。但是，传统的放射治疗计划制定过程需要物理师和医生全程参与，其逆向优化需要反复试错，直到得到最优的放疗计划。通常一个计划要耗费半天甚至更长的时间，并且放疗计划的质量依赖于物理师的经验。目前广泛研究的基于先验知识的方法是预测放疗计划可达到的剂量，然后将预测结果用作剂量约束进行逆向优化，所以无法越过逆向优化过程。科大医学物理团队的方法则是通过设计新型的神经网络（two-stageattention-awareneuralnetwork）直接预测放射通量图生成治疗计划，完全绕过了逆向优化过程，计划制定时间从传统的几个小时缩短到5分钟以内。而且，研究团队将自动生成的治疗计划在放疗直线加速器上执行，执行结果跟人工手动生成的计划没有统计差别，执行通过率100%。
该方法的执行框架以及与人工方法的比较如图1。利用该方法为宫颈癌患者生成的可执行的调强放射治疗计划结果如图2。对比传统手工放疗计划和自动放疗计划的三维剂量分布图和剂量体积直方图可以观察到，两者具有高水平的剂量学相似性。并且，自动计划在治疗机器上具有与手工计划相同的执行效率。
图1(a)自动计划和传统手工计划的工作流程比较。 (b)深度学习自动计划框架。
图2 （a）宫颈癌患者手工计划和自动计划的三维剂量分布比较。（b）同一患者的手工计划（实线）和自动计划（虚线）剂量体积直方图比较。
该研究得到了中央高校基本科研业务费专项资金和安徽省科技重大专项的资助。
CWI的人工智能推出了临床实践中最佳的放射治疗计划
（文章来源：教育新闻网）
CWI研究人员与阿姆斯特丹UMC放射肿瘤学部门一起开发了基于人工智能(AI)的软件，该软件可以快速为每位患者提出多种放射治疗计划。该软件对医生而言是一种“路线计划器”：它根据患者的数据提出了多个计划，这些计划代表了在向肿瘤提供足够的辐射剂量而对周围器官的损害尽可能小之间的权衡。这不仅可以帮助医生更快地制定计划，还可以提高计划质量。AmsterdamUMC于2020年3月17日通过新AI提出的计划治疗了第一例患者。该创新技术将用于内部放射治疗前列腺癌。
辐射是最重要的癌症治疗方法之一。对于前列腺癌，近距离放射疗法(一种使用导管的内部放射形式)是非常合适的治疗方法。将多个导管插入患者体内，通过该导管引导放射源。插入导管后，医生会制定治疗计划。对于近距离放射治疗，这是在患者等待较早插入的导管时进行的。一种不舒服的情况，最好持续尽可能短的时间。
通常，医生需要花费一些时间为特定患者设计治疗计划。但是，新软件仅需几分钟即可提出全部治疗方案。每个计划都指出放射性源应集中在特定区域多长时间，为了在该点提供特定数量的辐射剂量。重点在于建立一种治疗方法，该方法可以为肿瘤提供所需的放射剂量，同时尽可能多地保留周围的健康组织。
在研发阶段，与放射肿瘤学家团队进行了盲法测试，显示了先前在临床中制定和使用的计划以及针对同一患者的新AI计划。放射肿瘤学家对新AI技术的能力深信不疑：在98%的病例中，他们更喜欢基于AI的计划。
CWI生命科学与健康小组高级研究员兼项目负责人PeterBosman：“我们的AI形式可以非常快速地执行一系列计划，这代表了在提供足够的辐射剂量而对周围组织的损害尽可能小之间的权衡。这可以立即洞察对特定患者可行的方法。这使医生免于采用复杂的方法来使用需要大量人机交互的现有软件来配置治疗计划。”
放射肿瘤学系临床物理学负责人ArjenBel说：“阿姆斯特丹联华电子已经在计算机辅助支持领域进行了多年研究，以制定放射治疗计划。”“面临的挑战是要迅速制定高质量的计划。”
阿姆斯特丹UMC放射肿瘤学家BradleyPieters：“改进的放射治疗计划可以为前列腺癌患者带来更好的结果。额外的时间使我们能够为患者提供量身定制的计划。除此之外，我们现在可以最佳地利用我们的医学知识以及计算机没有的有关患者的其他知识。”
CWI的生命科学与健康小组，阿姆斯特丹UMC所在地的AMC部门的放射肿瘤学部门和向医院提供辐射设备和软件的Elekta公司之间的密切研究合作，使得开发新软件成为可能。该团队决定以其形式为AI(进化算法)的形式开发此问题的软件。这些算法非常适合有效而高效地搜索复杂问题的好的解决方案，尤其是在有多个相互矛盾的目标要实现时。
该团队特别关注了源自Bosman长期研究线的一种进化算法。这些算法显示智能搜索行为。他们具有分析特定问题并随后自学如何为该问题提出更好解决方案的能力。研究小组进行了特殊的调整，以寻找对于前列腺癌的近距离放射治疗方案尽可能好的治疗方案。他们通过让算法使用有关所插入导管中辐射剂量累积的知识来做到这一点。最终，使用该算法可以比使用其他算法获得更好的结果。
开发的AI软件的一大优势是，它可以相对容易地扩展到其他类型的癌症。考虑到成功治疗的良好机会与可能出现的副作用之间的折衷，计算一系列可能的治疗计划是制定多种形式的癌症放射治疗计划所需要的。已经计划了一个后续项目。在荷兰癌症协会(KWFKankerbestrijding)的资助下，CWI，阿姆斯特丹UMC和Elekta将在新的项目合作伙伴莱顿大学医学中心(LUMC)的领导下，将这项研究扩展到宫颈癌的内部辐射领域。 （责任编辑：fqj）
人工智能在肿瘤放射治疗中的研究进展@MedSci
据中国国家癌症中心统计，截至2016年1月，中国现有肿瘤患者750万人左右。根据WHO的数据显示，大约70%的癌症患者需要接受放射治疗。虽然目前临床放射治疗技术日趋成熟，但是仍存在诸多具有挑战性的难题亟待解决。首先，我国放疗人才严重不足，而肿瘤放疗靶区和危及器官的勾画占用了放疗医师大量的时间和精力，人工勾画效率低。第二，靶区勾画、计划设计极度依赖放疗医师和物理师的临床经验，不同医师、物理师之间的设计结果又存在较大的差异。而且还存在放疗质控内容繁冗、质控设备种类繁多、质控过程耗时耗力等难题。所以有效提高质控效率是放射治疗的重要保证。近年来，随着人工智能(AI)在精准放疗领域的不断深入，解决这些难题成为可能。所谓人工智能，是研究开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门新的技术科学，机器学习(ML)是人工智能主要的实现方法。本文将围绕放射治疗流程，就人工智能在不同环节中的研究现状进行介绍和分析，并对其存在的问题和未来的发展方向进行讨论。
选择患者
放疗过程由很多步骤组成，第一步就是选择患者。选择一个放疗患者，需要评估的内容很多，如肿瘤分期、病理类型、基因检测、手术切除情况，还有患者的年龄、基础病、器官功能、生活习惯等。海量的信息容易让医师顾此失彼，产生误诊漏诊。美国医学研究所在关于学习型医疗体系的报告中建议通过机器学习和数据挖掘的分析方法在临床肿瘤学领域找出癌症治疗和临床结果两者之间潜在的因果关系，并用比较效益研究方法(CER)与大数据协同工作，快速有效地验证数学预测模型，其目的就是让正确的肿瘤治疗方案提供给正确的病人。因此，基于大数据的人工智能预测模型要能够帮助医生判断患者能否从放疗中获益，并帮助医生决定是否推荐放射治疗。Valdes等报告了一个基于人工智能的临床决策支持系统，该系统把曾经接受光子和质子放射治疗的早期肺癌和术后口咽癌患者形成的数据集，采用机器学习的方式建立足够精确的分析模型，新患者则利用该分析模型与历史治疗方案进行匹配，从而为患者找到最佳的治疗方案。Kress等使用多元逻辑回归模型对美国医疗保险数据库中39619例65岁以上的前列腺癌、乳腺癌和结直肠癌患者进行分析，分析变量包括性别、年龄、肿瘤分期、手术、放疗、化疗等19个因素。统计结果发现50%的患者在生命的最后6个月接受了放疗，其生存率与没有接受放疗的患者没有统计学差异，并且还增加了急诊、X线检查和医生就诊的次数。也就是说，大数据分析结果显示，生命末期的放化疗并没有延长生存时间、改善生活质量，反而增加了治疗负担，因此需要优化给予姑息放疗的时机。
另外，确定接受放疗的患者，从哪种放疗技术中能够获益，也是需要考虑的问题。现在放疗技术种类繁多，各有长处，有常规的分次外照射、立体定向放射治疗(SBRT)、调强放疗(IMRT)、近距离治疗、质子重粒子放疗等。此时，一个关于放射治疗物理特性、生物学效应，并能预测最终临床结果的生物物理数学模型显得尤为重要。利用这种模型权衡放疗疗效、副作用以及经济效益等多种因素，帮助医生和患者做出正确的决策。这一点，对于粒子治疗尤为重要。当前，质子重粒子放射治疗是很有前途的治疗技术，由于这种技术的使用成本很高，Langendijk等开发了一种基于正常组织并发症概率(NTCP)模型的方法来选择适合质子治疗的患者。这种基于模型的方法包括三个步骤，首先选取接受过光子放射治疗的患者建立数据库，基于大数据分析开发和验证NTCP模型；然后利用计算机技术对不同的辐射传输技术(如3D－CRT和IM-RT、IMRT和质子之间)进行比较研究，估计新放射治疗技术的潜在效益；最后将计算机比较分析的结果集成到NTCP模型中来，选出NTCP值降低方面最可能受益于质子而非光子的患者。该模型已经被荷兰卫生当局应用于患者的质子治疗。
模拟定位
一旦医生和患者决定做放疗，接下来就是进行模拟定位。在模拟定位过程中，呼吸运动会使胸腹部器官随之做周期性运动，为了保证放射治疗的准确，临床上的处理方法是在肿瘤内部植入金标，通过成像设备对金标位置进行跟踪，从而实现对肿瘤运动跟踪，如射波刀(Cyberknife)，此类方法精确但有创伤。因此，目前临床上更倾向于基于患者体表呼吸运动的监测，实现对体内靶区或危及器官运动监控的间接跟踪方法，如Varian公司的RPM系统和C－RAD公司的Catalyst激光表面成像系统。以上方法所需设备昂贵，操作复杂，还需要患者高度配合，可操作性不强。可喜的是，目前人工智能在呼吸运动的预测方面已经取得了一定的成果。Laurent等介绍了一种基于人工神经网络模拟患者肺部的呼吸运动。该方法采用机器学习的方式在真实病例上学习肺运动，然后只需要根据新患者开始和结束的呼吸数据就可以模拟出患者的呼吸运动过程，其模拟出来的运动精度达到1mm，它的主要优点是能够在非常短的计算时间内对任何患者呼吸周期的所有阶段的运动进行解析，大大简化了患者呼吸监测信号提取的过程。不仅如此，人工智能还可以预测可变的不平稳的呼吸运动。Isaksson等采用自适应非线性神经网络对非平稳的复杂的呼吸运动行为进行预测，结果表明神经网络实现了比固定和自适应线性滤波器更好的跟踪精度。
勾画靶区和正常组织
靶区和正常组织勾画是一件相当耗时的过程。每例肿瘤患者在CT模拟定位后图像都在一两百张，如果是4DCT，十个时相的图像加在一起会有一千多张，医师需要逐层勾画肿瘤病灶和危及器官，其工作量可想而知。因此临床放疗倾向于采用自动勾画方法，以提高医师的工作效率。目前，基于atlas的自动勾画工具是实现放疗靶区和危及器官自动勾画的热门方法。Pinnacle运用atlas模板库初步实现了感兴趣区域(ROI)自动勾画；谷歌基于atlas开发了一套人工智能靶区勾画体系，通过机器学习自动勾画头颈部肿瘤病灶。Sims等用atlas工具，自动勾画患者的脑干、腮腺和下颌骨，将其与手动勾画结果进行比较，结果表明，atlas自动勾画工具对所研究的器官表现出令人满意的敏感性和特异性。
国内在靶区的智能勾画上也取得了巨大的成果。鼻咽癌放疗靶区勾画是最复杂、最精细的工作，目前，这一勾画工作主要由人工完成，其准确性高度依赖医生的经验，一般需要3～10h才能完成。中山大学肿瘤防治中心孙颖教授团队首次利用AI技术，在磁共振(MRI)影像上自动勾画鼻咽肿瘤，为实现精准而又高效的鼻咽癌放射治疗靶区勾画提供了解决方案。他们选取了1021例鼻咽癌患者(全部期别)的MRI影像资料，由两名鼻咽癌放疗专家共同完成靶区勾画，然后将影像和靶区数据用于计算机学习，最终应用到新病人的靶区勾画上。该自动勾画技术将鼻咽癌肿瘤靶区勾画的用时从平均3～10h大幅缩短到20～50min，并且准确性达到79%，相当于从业3年左右的年轻医生的水平。
治疗计划
治疗计划系统的两大核心部分是剂量优化与剂量计算，目前剂量优化已经成为自动计划研究的热点。比较成熟的自动计划包括美国瓦里安公司基于Eclipse平台的RapidPlan和美国飞利浦公司基于Pinnacle平台的AutoPlan。
RapidPlan是将优质的放疗物理计划进行分析和特征提取，建立数学预测模型，自动生成高质量的患者放疗计划。张艺宝等在针对直肠癌的建模过程中，他们选择了81例采用RapidArc照射技术的临床实施计划，由资深物理师逐一针对正常器官进行重新优化，力求在满足靶区要求的前提下尽量降低器官的受照剂量，然后用这一组高质量的计划对模型进行训练获得最终的直肠癌模型。接下来对10例既往病例采用RapidPlan重新优化表明，人工设计与模型优化得到的靶区剂量分布相近，RapidPlan计划正常器官的剂量显著低于先前的临床计划，表明RapidPlan模型在对正常器官的保护上展现了显著的临床优势。Fogliata等对83例采用容积旋转调强放疗的头颈部癌患者计划作为RapidPlan头颈训练模型，然后选取20例头颈癌患者对模型进行验证，比较了RapidPlan计划和临床计划。结果RapidPlan计划显著提高了计划质量，腮腺、口腔和喉的平均剂量分别降低了2Gy、5Gy和10Gy。
Pinnacle3计划系统中的自动计划模块AutoP-lan则模拟经验丰富的计划设计师，基于已建立的病例模板数据库中的器官重叠体积直方图(OVH)信息，使用机器学习搜索新患者的OVH数据与模板库中最相似的病例，以该病例计划作为参考，在优化过程中自动添加该病例模板的目标函数、限制条件和权重，对新患者病例进行自动化放射治疗计划设计，最后获得新患者病例对应的剂量体积直方图数据。Nawa等选取了23例前列腺癌病例，设计AutoPlan自动计划与人工计划进行配对t检验发现，自动计划优于或与人工计划相媲美，二者靶区剂量和直肠剂量相当，而自动计划显著减少了膀胱和股骨头的剂量。Krayenbuehl等选取50例头颈部肿瘤患者，对比AutoPlan自动计划与Eclipse容积旋转调强人工计划发现，靶区的适形度和均匀性在自动计划中有显著改善，并且危及器官也有显著降低。最大的差别在于，自动计划的平均有效工作时间为(3.8±1.1)min，而人工计划是(48.5±6.0)min，自动计划大大降低了有效工作时间。国内同行在自动计划的研究中也做了大量的工作，结论基本一致，自动计划极大程度上减少了物理师的计划设计时间，大大提升了治疗计划的质量和一致性，具有重大的临床应用意义。
质量保证
目前，临床治疗计划的质量保证通常是采用第三方的独立计算软件进行评估，而这种评估仅仅是对计算结果的验证，无法判断该放疗计划是否达到最优。人工智能则不然，理论上只要训练样本足够丰富、优秀，就一定能够预测出最优计划的剂量分布情况，从而判断出临床计划是否达到最优。Zhu等对18例前列腺肿瘤患者的212例IMRT计划，应用支持向量回归(SVR)的方法，建立了输入数据为患者解剖结构提取信息，输出数据为危及器官的剂量体积直方图(DVH)的回归训练模型，并利用该模型对14例患者进行了危及器官DVH的验证，结果该模型预测准确率达到80%。以上模型较为粗糙，提取信息少，输出的剂量学特征以简单二维DVH曲线为主，不足以满足临床的需要。孔繁图等则利用神经网络建立了患者解剖结构特性与对应放疗计划三维剂量分布的关联模型，使得输出剂量学特征表达为携带位置信息的丰富化程度更高的三维剂量分布。该模型提取器官体积、射线角度、解剖结构位置关系等丰富信息，采用神经网络构建剂量预测模型，预测点对点剂量差异为(0.16±10.52)Gy，百分剂量差异在2.5%以内，DVH差异在3%以内，并且预测出的三维剂量分布差异较小，剂量分布合理。因此，随着人工智能的发展对治疗计划的剂量学预测将会越来越全面，为计划质量控制提供更加准确的度量。
患者在治疗前的另一项重要的质控环节就是调强计划剂量验证。目前常用的方法是将IMRT计划投射到一个CT扫描的模体上，运用电离室或胶片进行测量，采用γ分析方法与计划系统的结果进行比较。这种方法步骤多、耗时长，验证结果对某些误差(如MLC的位置误差)还不敏感。Valdes等开发了一种能够预测IMRT计划验证通过率的分析方法。选取498例动态调强计划，每个计划提取包括机器跳数、射线能量、加速器类型、铅门位置、准直器角度、MLC类型等78个特征参数作为模型输入数据，每个计划对应的用Mapcheck2半导体探测器阵列测量的平面剂量验证结果γ通过率(3%/3mm，10%阈值)作为模型的输出数据，使用Poisson回归和Lasso正则算法构建机器学习模型进行训练，从而预测新计划的γ通过率。为了验证该模型预测的准确率，Valdes等对另一个中心的139例用EPID进行剂量验证的IMRT计划进行γ通过率的预测，结果误差在3.5%以内。可见虚拟IMRT剂量验证可以对不同测量技术、跨机构预测通过率，这种质量保证方法必将对将来的IMRT过程有着深远的影响。
小结与展望
近年来，人工智能在放射治疗中的应用发展迅速，有效地提高了医师和物理师的工作效率，提高了治疗计划和质控的质量，增加了患者获益并降低了风险。目前，国内正在研发以云平台为载体的智能化放疗系统，“AI+放疗”远程放疗体系将为基层医院开展标准化、规范化的放射治疗提供重要的质量保证，因此人工智能在放疗领域将具有越来越广泛的应用前景。当然，目前的人工智能研究仍有一定的局限性，其内部运行过程和原理尚未被完全阐明，即使它能以接近人类的思维方式运行，但对世界的感知和处理方式也会与人类有差异，医师的思维模式也难以完全复制。因此，当下人工智能并不能完全替代医师和物理师的工作。不过，随着科技的发展，我们期待着人工智能为放射治疗带来更多新的思路和方法。
来源：实用肿瘤学杂志2019年第33卷第6期总第164期
来源：解放军总医院第八医学中心放疗科版权声明：本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有，非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。同时转载内容不代表本站立场。在此留言人工智能助力互联网+放疗全面落地
2017年,人工智能成为全球科技巨头布局智慧医疗的创新点,与此同时,十九大报告提出的“现代医院”概念及实施“健康中国”战略,再度提升了智慧医疗的热度。2017年11月12日，在中华医学会第十四次全国放射肿瘤治疗学学术会议（CSTRO）上，更是将“人工智能和大数据”列入专题内容，共同研究人工智能在肿瘤放疗领域的应用和价值。
在“人工智能和大数据”专题中，美中肿瘤诊疗技术创新研究院副院长、苏州大学客座教授、北京全域医疗技术有限公司联合创始人、副总裁康世功以《应用大数据与人工智能的精准云放疗发展概述》为题进行了演讲，展示了人工智能在精准云放疗方面的实践和成果。
美中肿瘤诊疗技术创新研究院由中美两国的肿瘤研究机构和相关产学研医各界人士联合发起，主要研究领域包括肿瘤早诊早治、恶性肿瘤防控技术、临床诊疗关键技术和肿瘤治疗新型服务模式等方面内容。先后与中科院、工程院、社科院、国家行政学院、医科院肿瘤医院等一系列单位合作开展研究工作。2017，研究院参与了由四川省肿瘤医院院长郎锦义和北京全域医疗技术有限公司共同牵头的国家十三五重点研发计划有关工作，前者在肿瘤放疗领域拥有丰富的临床经验，后者手握过亿份病例数据，三方强强联手，将人工智能和大数据在放疗领域的应用全面展开。
随着十九大胜利召开，我国的主要矛盾已明确为：人民日益增长的美好生活需要，和不平衡、不充分的发展之间的矛盾。康世功介绍：“在放疗行业‘不平衡’就是同质性较差，‘不充分’则是可及性不足，在国家大趋势下，放疗行业的供给侧改革势在必行。人工智能和大数据实际上是在放疗传统产业链之上，用赋能的方式、用互通互联的手段、用提高产能的计算机工具，大大的扩展了工作边界，加强了工作能力，在一定程度上甚至为行业插上了翅膀。”
在医疗领域，通过人工智能识别图像和病灶，已经能看到落地和开源算法。康世功在分享人工智能具体在放疗中的应用时介绍了CNN卷积神经网络算法和预测DVH在医疗领域的应用，详细介绍了AutoPlan计划算法。他认为AutoPlan其实就是一个把传统计划过程人工智能化的应用，整个做计划的过程可以用机器学习的方式来完善，就像用卷积、蒙卡不断地去优化物理算法来不断地精进剂量计算一样，机器学习的方法通过6次迭代，把平均偏差降低到一个极小的范围，利用云计算资源的优势，把AI和AutoPlan应用根植到云上来，进一步提高计算速度。
数据显示，AutoPlan自动做计划，可将原来长达3-5个小时甚至几天的放疗准备工作缩减到半小时左右，产能整整提升了近300倍，充分体现了人工智能的价值。目前，mdaccAutoPlan由北京全域医疗技术有限公司在中国推广落地，已经在很多大型肿瘤医院实际应用起来，应用中的医院靶区放疗剂量达标率提升了11.87%，未来大规模的海量自动计划计算将成为现实。
在应用成果方面，康世功表示：北京全域医疗技术有限公司已经依托本地化和云平台建立了一套非常完备的信息化体系为行业提供服务，质控系统与培训系统也是为AI应用保驾护航。目前全域医疗已在全国21个省市自治区进行实际工作，覆盖全国485家放疗单位。其中，放疗协作和培训在重庆等地区如火如荼的展开，重庆地区配合一网一链工作得到了国家卫计委的点名表扬。阶段性成果在几次国家科技周、国家机器人大会上得到多位国家领导人的接见和实际指导，多家媒体对此进行专题报道。
相信在不远的将来，医务工作者向远程放疗人工智能服务中心提出需求，患者的脱敏信息和具体需求通过自动诊断、自动勾画、自动处方、自动计划等，自动匹配几个局部最优解的放疗计划返回医生进行挑选，原来几天的放疗准备工作缩减到半小时以内，极大提高我国放射治疗的供给能力。
李开复曾在2016年WISE独角兽大会演讲时说：将人工智能应用在医疗领域的癌症检测、基因个性化治疗，对人类最有意义，人工智能必将加速医疗行业发展。今年的9月11日，斯坦福大学吴恩达教授为GASA大学作主题为“探索人工智能”的分享时说：人工智能是新电能，当人工智能技术足够成熟之后，会改变人类的方方面面。未来，人工智能将是人类与机器之间下一个成功的合作领域，总有一天，人工智能终将在我们肿瘤放疗领域的临床实践当中全面落地！