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)計指標的摘要。