近年來，人工智能(AI)和機器學(xué)習(xí)(ML)算法在生物醫(yī)學(xué)中的應(yīng)用不斷增長。這種增長在與放射應(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。這種增長無意中導(dǎo)致文獻中人工智能/機器學(xué)習(xí)研究結(jié)果的報告不一致，混淆了對其結(jié)果的解釋，并削弱了對其潛在影響的信任。

評估MR偽影

隨著臨床磁共振(MR)成像變得更加通用和復(fù)雜，開發(fā)和保持對控制不斷變化的技術(shù)的物理原理的透徹理解變得越來越困難。對于執(zhí)業(yè)放射科醫(yī)生來說尤其如此，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踐中發(fā)揮著重要作用，因為它決定了圖像質(zhì)量，而次優(yōu)的圖像質(zhì)量可能會妨礙準(zhǔn)確的診斷。本文對常見MR成像偽影的物理原理進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單的解決方案。

詳細描述了放射科醫(yī)生可能還不熟悉的最新技術(shù)進步中出現(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動、磁化率、磁場不均勻性、梯度非線性、駐波、混疊、化學(xué)位移和信號截斷產(chǎn)生的偽影。隨著對這些偽影的認識和理解的提高，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題的數(shù)學(xué)描述的基本物理技能，并具有最大程度簡化復(fù)雜關(guān)系的能力。此外，基礎(chǔ)數(shù)學(xué)、統(tǒng)計、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)家能夠相對輕松地與成功的跨學(xué)科團隊解決建模問題所需的專業(yè)人員進行互動。從數(shù)據(jù)中得出的機器學(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證才能為臨床使用提供足夠的信心。

除了人工智能的實施之外，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)的促進者，為建立和管理先進的數(shù)據(jù)共享平臺以及傘式協(xié)議和籃子試驗等新方法做出貢獻。

結(jié)論

對于醫(yī)學(xué)物理中的AI/ML應(yīng)用，需要對使用這些算法的問題進行陳述和理由，同時強調(diào)該方法的新穎性。需要對如何將數(shù)據(jù)劃分為子集進行簡短的數(shù)字描述，以進行AI/ML算法訓(xùn)練、驗證和算法性能的獨立測試。接下來是量化AI/ML算法性能的結(jié)果和統(tǒng)計指標(biāo)的摘要。