Interactive Lesion Segmentation in Whole-Body PET/CT and Longitudinal CT: The autoPET/CT-IV Challenge

在对抗癌症的战斗中，医生依赖于强大的摄像设备来观察人体内部，捕捉器官和组织如何运作的图像。其中两种最重要的工具是 PET 扫描（它能照亮细胞高效率消耗能量的区域）和 CT 扫描（它能提供人体物理结构的详细地图）。当医生观察这些图像时，他们必须寻找那些微小的、通常是不规则的斑点，这些斑点正是癌症占据的地方。这项任务不仅仅是发现一个斑点，还涉及精确测量受影响的身体部位有多少，以及观察这些斑点在治疗生效的过程中，在数周或数月内是如何变化的。手工进行这项工作既缓慢又令人疲惫，且容易出现医生之间的差异，从而导致护理水平的不一致。为了提供帮助，科学家们多年来一直致力于教计算机自动完成这项工作，但当图像与它们训练时的图像看起来不同，或者当癌症斑点非常微小或模糊时，这些机器往往会遇到困难。

一项新的研究汇集了一群全球研究人员，旨在测试一种不同的方法：与其要求计算机独立完成所有工作，不如询问当人类医生逐步协助时，计算机的表现如何。研究人员组织了一场被称为 autoPET/CT-IV Challenge 的竞赛，各参赛队伍提交了他们最好的计算机程序，以解决两个特定的问题。第一个问题涉及观察一组图像，并让一名人类通过点击屏幕来引导计算机，并在过程中纠正其错误。第二个问题则要难得多：它要求计算机观察患者当前的扫描图像，并仅根据过去的图像，预测癌症在未来的扫描中会呈现出什么样的样子。其目标是观察将人类引导与人工智能相结合，是否能创造出一种既准确又可靠到足以在真实医院中使用的工具。

结果显示，当允许医生通过简单的点击来引导计算机时，机器的工作表现显著提升。在第一个任务中，参与者需要在单次扫描中勾勒出癌症斑点，表现最好的计算机程序从一个粗略的猜测开始，随着模拟医生点击它遗漏或出错的区域，程序得到了改进。经过十轮这样的修正后，计算机勾勒出的轮廓与真实的癌症形状匹配，AUC（曲线下面积）达到了 0.74。这明显优于计算机独自尝试的结果，并且该系统在不同类型的扫描和来自不同医院的扫描中都能良好运行。研究发现，虽然计算机在寻找癌症方面变得更加出色，但如果给予过多的修正，它偶尔也会开始将健康组织标记为癌症，这表明在“发现每一个斑点”与“不产生虚假警报”之间存在着微妙的平衡。

然而，当研究人员要求计算机预测癌症随时间的变化时，结果却远没有那么令人鼓舞。在第二个任务中，程序必须观察基线扫描，并预测几个月后随访扫描中的癌症位置。这一类别的最佳程序在匹配未来癌症斑点方面的准确率仅约为 38%。这个低分凸显了让机器理解肿瘤可能会缩小、消失或移动到新位置是多么困难。计算机倾向于假设如果一个斑点以前在那里，那么以后仍会在那里，这导致在癌症实际消失或新斑点出现时产生错误。研究表明，虽然计算机在人类的帮助下能够出色地发现当前的病灶，但它们尚未准备好能够可靠地预测疾病未来的行为。

竞赛还揭示了癌症的类型和用于拍摄图像的具体机器非常重要。在某一组图像上表现良好的程序，在处理另一组图像时有时会遇到困难，这表明这些工具仍然对拍摄扫描的具体条件非常敏感。研究人员指出，计算机特别擅长发现大型、明亮的斑点，但在面对较小、较模糊的斑点时经常会漏掉，而这些斑点因为极易被忽视，往往是最危险的。通过在来自多个国家的数千例真实患者扫描图像上测试这些系统，该研究清晰地描绘了这项技术现状。它证实，最有前景的路径不是用机器取代医生，而是建立一种伙伴关系，由计算机处理繁重的寻找斑点的任务，而人类专家则介入处理棘手的环节。

最终，这项工作表明，癌症影像学的未来很可能在于这种协作。计算机可以在几秒钟内处理海量数据，提供诊断的初稿，而医生则提供最终判断，以确保没有任何遗漏。研究结论认为，虽然实现一个能够预测疾病进展的全自动系统的梦想目前仍难以企及，但用于交互式辅助诊断的工具已经准备好在实际诊所中接受测试。通过将人工智能的速度与人类专家的细致理解相结合，医生可能很快就能更精确地追踪癌症，并更快地调整治疗方案，从而为患者带来更好的康复机会。前进的道路是明确的：建立能够从人类纠正中学习的系统，而不是试图完全取代人类。