SAS BI合作阿姆斯特丹 UMC ：提高肿瘤评估的速度

(1)客户介绍

 一家荷兰的医院。

(2)项目背景

肿瘤评估中的人类局限性

结肠直肠癌是全球第三大常见癌症，约有一半的患者会扩散到肝脏。专门从事肝脏手术的 Kazemier 说，治疗这类癌症的最佳方法是将其切除。但是有些肿瘤太大无法切除，因此这些患者必须接受全身治疗，例如化学疗法来缩小肿瘤。

经过一段时间的治疗后，使用计算机断层扫描 (CT) 手动评估肿瘤。那时，医疗专业人员可以查看肿瘤是否发生了缩小或外观改变。肿瘤对全身治疗的反应方式，决定了是否可以进行挽救生命的手术，或是否需要其他化疗方案。

这种人工方法会带来许多挑战。

对放射科医生来说，评估肿瘤是一个耗时的过程。一次 CT 扫描通常只测量两个最大的肿瘤 —— 如果一个病人有两个以上的肿瘤，可能会错过隐藏在剩余肿瘤中的重要线索。此外，人工评估容易产生主观性，放射科医生在评估方面会有差异。

Kazemier 表示，还缺乏 3D 评估。“肿瘤可能会缩小，但可能不对称。这很难用人眼界定，”他解释说。在其他情况下，肿瘤可能会改变外观，这意味着流经转移病灶的血液更少 —— 这是全身治疗有效性的积极迹象，这也是人类难以发现的。

这就会出现人为错误。不幸的是，由于人为因素的限制会发生误诊，误诊会使患者面临危及生命的风险，例如不必要的手术或化疗。

阿姆斯特丹 UMC 与 SAS 一起使用 AI 改变肿瘤评估。他们在 SAS 可视化数据挖掘和机器学习中，使用计算机视觉技术和深度学习模型，提高化疗反应评估的速度和准确性。

数据科学家还利用 SAS Python 深度学习 (DLPy) API 来创建深度学习模型。自动分割等功能可帮助医生快速识别肿瘤形状和大小的变化并记录其颜色。

“我们现在能够完全自动响应评估，这确实是个很大的进步。”Kazemier说，“与人工操作相比，此过程不仅更快，而且更准确。”

该项目首先用 52 名癌症患者的数据训练一个深度学习模型，再对 1380 例转移病灶的每个像素点进行分析和分割，这能够教会系统如何立即识别肿瘤特征并与医生共享重要信息。

先前的评估方法限制了医生的视野，但 AI 模型提供了肿瘤总体积和每个肿瘤的 3D 表示，使医生可以更准确地确定是救生手术可行，还是应选择其他治疗策略。

“AI 能帮助我们挽救生命......我很确信这一点。” Kazemier 说。

为癌症研究人员准备的高级分析

在诊所外，SAS 平台也可供 1100 多名阿姆斯特丹 UMC 癌症研究人员使用，以加强其研究工作。SAS Visual Analytics 使他们能够快速发现隐藏的趋势，而 SAS Visual Statistics 提供的强大工具可用来执行高级分析和预测建模。

此外，SAS Viya 支持在临床环境中将原始图像自动转换为客观指标。这种自动化将为放射科医生节省大量时间，同时减少危险的漏报和误报数量。

通过在 SAS Viya 上运行这些解决方案，阿姆斯特丹 UMC 为研究人员提供了一个开放的分析平台，以进行协作并更快地获得创新成果。现在，无论其数据技能或编码语言偏好如何，致力于改善患者健康的生物学家、医生、医学生、甚至是业务分析人员都可以从分析中受益。

“很多使用 SAS Platform 的人员并没有接受过分析或数据科学培训，”Kazemier 表示，“对我们而言，这是分析的下一个阶段，我看到了无限机遇。”

可解释的 AI

Kazemier 认为，如果要彻底改革医疗保健体系，AI 技术必须透明、开放。“如果创建算法帮助医生制定决策，那么算法的实际作用应该可以解释，”他表示，“设想一下，如果一个算法的计算结果对患者不利，而医生照此行事。那么后果将如何？不止是人会犯错。”

在临床环境中持续部署分析，其中的一个关键因素是为医疗保健的决策管理确立一个端到端可审计的透明流程。SAS Platform 概述了每种分析的执行方式，以便医生轻松跟踪其模型和算法。人类和机器之间的这种改良的合作使得人们更加信任 AI。正是 SAS 的这种透明度吸引了 Kazemier。

“我们需要一种可解释的模型，且仍能维持较高水平的学习性能，”他表示，“SAS 是我们目前所接触到的最可靠的解决方案。”

(4)价值体现

展望未来，Kazemier 认为 AI 在 Amsterdam UMC 大有可为。

“将来，或许我们能够预测手术结果和患者的整体存活率，”他说道，“虽然我们目前正在将 AI 技术用于结直肠癌肝转移患者，但 AI 有潜力被用于评估包括乳腺癌和肺癌在内的许多实体肿瘤类型。我们仅仅是探索了冰山一角。”