近年來(lái)，人工智能(AI)和機(jī)器學(xué)習(xí)(ML)算法在生物醫(yī)學(xué)中的應(yīng)用不斷增長(zhǎng)。這種增長(zhǎng)在與放射應(yīng)用和醫(yī)學(xué)物理學(xué)相關(guān)的領(lǐng)域最為明顯，包括出版醫(yī)學(xué)物理學(xué)版面的特刊。這種增長(zhǎng)無(wú)意中導(dǎo)致文獻(xiàn)中人工智能/機(jī)器學(xué)習(xí)研究結(jié)果的報(bào)告不一致，混淆了對(duì)其結(jié)果的解釋，并削弱了對(duì)其潛在影響的信任。

評(píng)估MR偽影

隨著臨床磁共振(MR)成像變得更加通用和復(fù)雜，開(kāi)發(fā)和保持對(duì)控制不斷變化的技術(shù)的物理原理的透徹理解變得越來(lái)越困難。對(duì)于執(zhí)業(yè)放射科醫(yī)生來(lái)說(shuō)尤其如此，他們的主要職責(zé)是解釋臨床圖像，而不一定要理解描述基礎(chǔ)物理的復(fù)雜方程。

然而，磁共振成像的物理原理在臨床實(shí)踐中發(fā)揮著重要作用，因?yàn)樗鼪Q定了圖像質(zhì)量，而次優(yōu)的圖像質(zhì)量可能會(huì)妨礙準(zhǔn)確的診斷。本文對(duì)常見(jiàn)MR成像偽影的物理原理進(jìn)行了基于圖像的解釋，并為修復(fù)每種類型的偽影提供了簡(jiǎn)單的解決方案。

詳細(xì)描述了放射科醫(yī)生可能還不熟悉的最新技術(shù)進(jìn)步中出現(xiàn)的解決方案。討論的偽影類型包括由自愿和非自愿患者運(yùn)動(dòng)、磁化率、磁場(chǎng)不均勻性、梯度非線性、駐波、混疊、化學(xué)位移和信號(hào)截?cái)喈a(chǎn)生的偽影。隨著對(duì)這些偽影的認(rèn)識(shí)和理解的提高，放射科醫(yī)生將能夠更好地修改MR成像協(xié)議以優(yōu)化臨床圖像質(zhì)量，從而提高診斷的信心。

在放射腫瘤學(xué)中的作用

醫(yī)學(xué)物理學(xué)在模擬放射腫瘤學(xué)中的生物效應(yīng)方面有著悠久的傳統(tǒng)。高影響力的例子包括根據(jù)臨床數(shù)據(jù)量化劑量體積效應(yīng)，與日常放射治療計(jì)劃和優(yōu)化相關(guān)，以及旨在將物理劑量轉(zhuǎn)化為腫瘤的生物學(xué)等效劑量的分割模型的調(diào)整和使用。

醫(yī)學(xué)物理學(xué)家擁有建立生物或臨床問(wèn)題的數(shù)學(xué)描述的基本物理技能，并具有最大程度簡(jiǎn)化復(fù)雜關(guān)系的能力。此外，基礎(chǔ)數(shù)學(xué)、統(tǒng)計(jì)、生物學(xué)和臨床方面的醫(yī)學(xué)物理培訓(xùn)使醫(yī)學(xué)物理學(xué)家能夠相對(duì)輕松地與成功的跨學(xué)科團(tuán)隊(duì)解決建模問(wèn)題所需的專業(yè)人員進(jìn)行互動(dòng)。從數(shù)據(jù)中得出的機(jī)器學(xué)習(xí)和基于人工智能的模型可能很有用，但需要適當(dāng)水平的理解和廣泛的驗(yàn)證才能為臨床使用提供足夠的信心。

除了人工智能的實(shí)施之外，醫(yī)學(xué)物理學(xué)家還應(yīng)該充當(dāng)數(shù)據(jù)收集和數(shù)據(jù)農(nóng)業(yè)的促進(jìn)者，為建立和管理先進(jìn)的數(shù)據(jù)共享平臺(tái)以及傘式協(xié)議和籃子試驗(yàn)等新方法做出貢獻(xiàn)。

結(jié)論

對(duì)于醫(yī)學(xué)物理中的AI/ML應(yīng)用，需要對(duì)使用這些算法的問(wèn)題進(jìn)行陳述和理由，同時(shí)強(qiáng)調(diào)該方法的新穎性。需要對(duì)如何將數(shù)據(jù)劃分為子集進(jìn)行簡(jiǎn)短的數(shù)字描述，以進(jìn)行AI/ML算法訓(xùn)練、驗(yàn)證和算法性能的獨(dú)立測(cè)試。接下來(lái)是量化AI/ML算法性能的結(jié)果和統(tǒng)計(jì)指標(biāo)的摘要。