RayStation 机器学习的临床实施及其优势
来源：瑞速医疗　　　时间：2021-09-06
肿瘤 放疗计划 放射治疗

为什么要在肿瘤学中使用机器学习？


提高效率和一致性

  • 自动进行器官和肿瘤分割
  • 自动生成治疗计划
  • 自动执行自适应工作流程  

基准测试和质量检查
提升临床医生诊断能力

  • 随时间，利用数据反馈循环不断提高质量
  • 通过机器学习模型进行知识共享

图片


RayStation 中的机器学习综述


自动化

  • 深度学习分割( 30 - 90 秒)-自动生成计划 (几分钟)

一致性
预训练模型

  • 来自领先的癌症诊疗中心-可连续使用，与 RayStation 版本无关

基于本地数据训练模型
共享模型-无需共享病例数据！


机器学习模型流程


图片


模型训练和验证备选方案


基于本地数据训练机器学习模型

  • 在本地硬件上运行训练（由 RaySearch支持）
  • 将匿名数据发送到 RaySearch 后，获得训练好的模型

基于来自多所医院的数据训练机器学习模型

  • 在公有云共享数据集上运行训练
  • 使用联合学习训练模型

验证模型

  • 使用独立的本地数据

  • 设置指标并汇总结果（由 RaySearch 支持）



机器学习的临床优势 


通过自动执行重复任务来节省时间
在医院内和跨医院之间生成更一致的治疗
更一致的数据，简化了数据分析
使用机器学习模型提高技能

  • 优化训练数据，使其一致
  • 挑战机器学习模型的结果

与其他医院合作，生成通用模型

  • 知识转移和增加共识


图片