肺癌是全球最常见的癌症，近一半的病例以放射治疗 (RT) 为目标。RT 计划是一个手动的、资源密集型的过程，可能需要数天到数周才能完成，即使是训练有素的医生在确定放射靶向多少组织方面也会有所不同。此外，随着癌症发病率的增加，预计全球放射肿瘤学从业者和诊所的短缺将增加。

Brigham and Women's Hospital 的研究人员和合作者在麻省总医院 Brigham 的医学人工智能计划下开发并验证了一种深度学习算法，该算法可以识别和勾勒(“分段”)非小细胞肺癌 (NSCLC)肿瘤在几秒钟内进行计算机断层扫描 (CT) 扫描。他们发表在《柳叶刀数字健康》上的研究还表明，在模拟诊所中使用该算法的放射肿瘤学家的表现与不使用该算法的医生一样，同时工作速度提高了 65%。

“人工智能应用于医学的最大转化差距是未能研究如何使用人工智能来改善人类临床医生，反之亦然，”布里格姆放射肿瘤学系的通讯作者 Raymond Mak 医学博士说。“我们正在研究如何建立人类与人工智能的伙伴关系和协作，从而为患者带来更好的结果。这种方法对患者的好处包括在分割肿瘤和加快治疗时间方面具有更高的一致性。临床医生的好处包括减少平凡但困难的计算机工作，这可以减少倦怠并增加他们与患者相处的时间。”

研究人员使用来自 787 名患者的 CT 图像来训练他们的模型以区分肿瘤与其他组织。他们使用来自越来越多的外部数据集的 1,300 多名患者的扫描来测试该算法的性能。开发和验证算法涉及数据科学家和放射肿瘤学家之间的密切合作。例如，当研究人员观察到该算法错误地分割了涉及淋巴结的 CT 扫描时，他们使用更多此类扫描重新训练模型以提高其性能。

最后，研究人员要求八位放射肿瘤学家执行分割任务，并对另一位专家医生或算法产生的分割进行评级和编辑(他们没有被告知是哪一个)。人机协作和人为(从头)分割之间的性能没有显着差异。有趣的是，与手动生成的分割相比，在编辑 AI 生成的分割时，医生的工作速度提高了 65%，变异减少了 32%，即使他们不知道自己正在编辑的是哪个分割。在这项盲法研究中，他们还对 AI 绘制的分割质量进行了比人类专家绘制的分割更高的评价。

展望未来，研究人员计划将这项工作与他们之前设计的 AI 模型结合起来，这些模型可以识别在癌症治疗期间(例如心脏)接受不良辐射的“有风险的器官”，从而将它们排除在放射治疗之外。他们正在继续研究医生如何与人工智能互动，以确保人工智能合作伙伴关系有助于而不是伤害临床实践，并正在开发第二种独立的分割算法，可以验证人类和人工智能绘制的分割。

“这项研究提出了一种新的人工智能模型评估策略，强调人与人工智能协作的重要性，”共同作者、放射肿瘤学系的 Hugo Aerts 博士说。“这尤其必要，因为计算机模拟(计算机建模)评估可以给出与临床评估不同的结果。我们的方法可以帮助为临床部署铺平道路。”