嘉宾简介
美国麻省总院&哈佛大学医学院博士后导师
Director,3D Quantitative Imaging（3DQI）Lab
主要的研究领域：计算机辅助诊断，量化图像分析，影像组学，机器学习和医学图像可视化；
2000年毕业于德国Darmstadt工业大学Fraunhofer图形学研究所，获得博士学位; 2004年于纽约州立大学石溪分校完成博士后；
2004年起任职于麻省总院和哈佛大学医学院，领导三维量化影像分析实验室开发了3DQI量化影像分析和机器学习软件平台，基于此平台上开发了一系列量化影像分析临床应用如神经纤维瘤，肝脏肿瘤，软组织瘤，骨关节和虚拟大肠镜等；
发表SCI收载的高影响因子论文70+篇，拥有15项专利和软件发明。同时担任多个放射学和影像处理杂志的编辑和评委，是美国癌症协会（ACS）研究基金和北美放射年会(RSNA)研究基金的特俜评委。研究成果多次在RSNA上获奖。
2022年4月10日，美国哈佛医学院麻省总医院三维影像量化实验室主任蔡文立教授在“中国数字化肿瘤诊疗产业高峰论坛”肿瘤数字化影像专场做了主题为《人工智能在肿瘤影像疗效评估中的应用》的报告，本文根据专家报告内容整理，并经专家审核确认。
一、肿瘤影像学评估指导原则标准化
任何药物包括肿瘤药物都需要进行从临床前、I期、II期、III期试验找出合适的针对特定类型的药物剂量并评价其疗效到IV期的跟踪试验。在美国每年大约有4000多种肿瘤药物临床试验，其中约2500个与影像学相关，其中约90%是通过CT评估。抗肿瘤药是当前全球新药研发的热点之一，为了规范化肿瘤影像学评估工作，2004年美国提出了肿瘤疗效影像学评估方案，之后在2008年和2018年修订出台了影像学评估的工业指南。2021年，中国国家药品监督管理局药品审评中心发布并实施《抗肿瘤药临床试验影像评估程序标准技术指导原则》，以规范和指导抗肿瘤新药临床试验过程中影像学评估的设计和实施，提高影像学评估相关终点的评价质量，减少人为的偏差，使评估更加客观和一致。
二、标准化平台促进高效评估
肿瘤药物评估标准经过近40年发展进化，从1981年第一个WHO的实体肿瘤评估标准，优化到了2017年免疫治疗的iRECIST，期间开发了各种各样的针对不同瘤种、不同治疗方法的影像学评估标准。比如RECIST、WHO等，对肿瘤测量的方法和疗效定义提供了明确的标准。不同的标准采取了不同的评估逻辑，以及不同的影像学测量的指标，比如RECIST采用最大径，而WHO采用的是最大径和最大垂直径的乘积来反应一个截面的面积进行疗效的评估。未来，伴随影像评估标准的改进，评估指标也将从形态学指标逐步延伸到功能性指标。
目前，肿瘤评估标准具有多样化和复杂化的特点，蔡教授指出评估不等于读片。现有的评估具有一定的弊端，比如当下影像评估的工作流程和临床实验人员沟通效率低下，缺乏支持试验工作流程的专业化平台，无法有效满足指南所要求的标准化和规范化要求等问题。针对上述问题哈佛医学院成立了肿瘤评估标准医学实验室，目的是为了实现FDA所要求的临床试验影响重点评估的标准化、规范化使得评估更加高效。
三、院内独立影像评估标准化流程的优势
那么如何实现标准化和规范化的影像学评估流程呢？首先要将基于纸张的手动传统评估工作转变为“数字化”。数字化有助于推进标准化和规范化的影像学评估的流程化管理，包括从试验项目登记，病人录入，影像归档，评估任务下单，初级医师的影像评估，多名医师的评估审核到最终的结果发布等。在临床试验疗效评估数字化平台的专用PACS/数据库中，评估医生可直接读取所需的数据，最后的评估数据也将保存在平台中。图像存储与传输系统包括图像存储、检索、传输、显示、处理和打印的硬件和软件系统，数字化系统建设能够更有效地管理和利用医学图像资源。推进建立院内独立影像评估标准化流程（SOP）可使图像分析的可靠性提高，标准化流程减少了可变性，也提高了一致性，这也为人工智能和科研教学提供了带有标准的大型数据库。
四、基于人工智能学习改进疗效评估
上述提到了各种各样的影像学评估标准，线性测量是第一代影像评估标准，即通过肿瘤的直径或面积评估肿瘤大小的变化，但是手动测量的人为误差达到了±30%，直接拉一条直径很简单，但是如果要实现高度可重复仍是难以解决的问题。当引入人工智能后开发自动化辅助测量，方差可以从4.1降到0.3，大大减少了分析的误差。一个基于489个受试者的实验研究也得出了计算机辅助具有提高测量的可重复性的优势。
肿瘤评估的另一难点是无法量化和评估的肿瘤类型，比如形状很不规则的肿瘤和空洞器官上的肿瘤很难用第一代线性评估标准得到解决，此时体积测量用来反应肿瘤形态的方法得到了应用。第二代评估方法是基于体积测量肿瘤，相对于线性测量及其评估方法,体积测量更具优势。由于体积测量对肿瘤负荷的变化更敏感,因而可以更早地反映疗效。
图像分割是比较传统的技术，随着分割技术的发展，是否能够依据先验的知识，比如肝脏形状的概率分布，纹理知识。基于深度学习特征提取的方法通过上采样和下采样，再基于U-net模型，使得具有模糊背景的脏器也可以进行分割，也可通过肝脏大小发生的变化，进而加上人工智能学习的方法使肝脏和肿瘤分割开。人工智能的学习是自动的也是交互的，特别是实现肿瘤复杂场景的分割。深度学习的方法与传统方法相比，分割更快、更精准，更高效和自动。既然分割可以实现自动化，那么疗效评估自动化标准也可以自动化，基于深度学习的疗效评估在脑肿瘤中的研究也得到了很好的分析。
五、交叉融合建立新一代肿瘤评估标准
肿瘤内部是具有异质性的，如何把肿瘤内部异质性反应到疗效上呢？因此基于影像组学的新一代的评估标准也出现在人们眼前，该项评估不仅要考虑肿瘤大小形态，更要分析肿瘤内部异质性对疗效的影响。影像组学可以揭示癌症生物学的其他层面，对深入了解癌症提供了有力的支撑。将影像转化为可分析的数据，传统的基于侵入性活检的分子测定法的使用具有其局限性，开发自动化和可重复性的分析方法能够从图像特征中获得更多的信息。放射组学（Radiomics）可以从图像中提取高通量的大量图像特征，通过不同的成像模态测量肿瘤的图像纹理差异来提供更多可用信息。
蔡教授也表示数据的整合最终还是为临床服务，肿瘤异质性包括内部密度，瘤周，和肿瘤生存器官的异质性，应该推进将所有数据类型考虑在内，建立一个更全面的模型。蔡教授结合几个案例介绍，例如肝癌研究中显示活跃部分肿瘤体积更能反应肿瘤评估。另一项利用42个软组织肿瘤的研究中反应了影像和病理评估在结论上高度相关。在肾细胞癌中研究也显示肿瘤分级模型，组学研究也可以进行疗效预测。对于胸腺上皮细胞疗效中显示，结合临床数据和肿瘤影像数据可大大提高分析的性能。
此外通过上述的分析，还可以建立影像和基因之间的关系—影像基因组学，利用该项技术能够更好的得出基因突变和内部影像异质性的关系。临床的研究不仅是为了药物研发，更是为了临床医疗结合到放射科。蔡教授带领昆捷医疗团队，在国内率先开发了支持院内外独立影像评估的标准化平台，可实现二维测量，三维分割，肿瘤跟踪对比，标准选取，报告自动生成等功能，在病人临床管理和治疗中也可以应用。这个平台对肿瘤药物试验标准化管理，数据的质检都大有裨益，这个平台可完全实现肿瘤临床疗效评估及科研支持。通过交叉融合也可以建立人工智能辅助影像学评估实验室。
六、人工智能辅助影像评估造就肿瘤治疗新兴未来
肿瘤影像评估数字化建设，是通过平台建设，支持院内外独立的肿瘤影像学评估标准化和规范化，并为人工智能研究收集治理好的数据库。未来，基于深度学习的自动的肿瘤影像分割技术将使肿瘤体积测量更客观，更精准，更自动，让肿瘤体积测量成为临床常规。基于机器学习的影像组学研究，需要大样本来获得稳定可重复的疾病特性的对应的影像学特征，通过深度学习自适应校验模型，将抽取到更丰富更稳定的影像学特征，逐步代替传统的人工计算特征。
随着人工智能研究结合未来会实现多组学临床报告，整合多组学和各功能研究，也为肿瘤的个性化治疗策略提供更高更好的评判标准。蔡教授引用了Abraham Lincoln的一句话“预测未来的最佳方法就是创造未来”，人工智能的辅助诊疗会为未来的肿瘤治疗创造一个新兴的未来。
