中国国家自然科学基金委员会医学科学部自2021年开始在面上项目设立“源于临床实践的科学问题探索研究”专项（以下简称“临床专项”），进一步优化科学基金医学领域资助布局，引导以解决临床问题为导向的医学基础研究，促进医学科技创新【1】。临床专项课题对于国自然和医生都是新的项目，相互了解需要过程。不过这类课题对于美国生物医学领域最大的资助来源“NIH”基金来说，是一个非常成熟的项目。所以我们就逐渐从NIH资助的基金项目中，梳理出一些可供申请“临床专项”借鉴的课题。本次分享一个涉及到“大数据和人工智能”的美国在研基金。1，临床专项 之大数据和人工智能 案例分享当前医疗大数据与人工智能的飞速发展，深刻影响着医学研究和医疗技术的变革，此方向申请141项(申请占比4.48%)，获资助13项(资助占比8.55%)，涉及疾病预警预测、诊断评估、预防治疗、药械研发、疾病管理等领域的学科交叉研究。Human-like automated radiotherapy treatment planning via imitation learning这是一个从2021年开始，一直持续到目前的临床研究；由美国德州大学西南医疗中心的JIANG, STEVE BIN主持。放射治疗是癌症治疗的主要方法之一。治疗计划，即为每位患者设计最佳治疗计划的过程，是最关键的步骤之一。如果治疗设计不当，无论其他治疗步骤的质量如何，都无法获得满意的结果。（提出“重要”的临床大问题）现代放射治疗中的治疗计划被表述为由一组超参数定义的数学优化问题。虽然存在一些可量化的指标来量化计划质量并指导计划过程，但这些都是简化的表示，无法完全描述医生的意图。此外，这些指标仅从基于人群的角度衡量计划质量，并不能指导治疗计划以实现针对患者的最佳治疗计划。因此，医生首选的最佳解决方案通常处于灰色地带，只有通过广泛的试错超参数调整过程以及规划者和医生之间的互动才能实现。因此，对于复杂的情况，如果计划者缺乏经验和/或受到严格的时间限制，计划时间可能需要长达一周的时间，并且计划质量可能很差。这些后果大大恶化了治疗结果，临床研究已经清楚地证明了这一点。（逐渐深入到“尚未解决”的具体小问题）最近，人工智能（AI）的进步，特别是模仿学习的进步，可以通过观察人类专家的行为并在内部构建自己的决策系统来做出类似人类的决策。（引入新技术；解决问题的时机已到）为了响应 PAR-18-530，该项目的目标是开发和翻译一个模仿人类专家行为的 AI 规划器，以生成高质量的计划。人工智能规划师不会取代人类规划师；相反，AI计划将作为当前规划流程的起点，以提高计划质量和规划效率。人类规划者进一步改进计划的行动可以通过持续学习反馈给人工智能规划者，使其不断进化。我们将通过学术-工业合作伙伴关系，以前列腺癌为试验平台，结合 UT 西南医学中心强大的研究和临床专业知识以及瓦里安医疗系统公司丰富的商业产品开发经验来实现这一目标。确定了以下具体目标。目标 1：模型和算法开发。我们将收集专家在常规治疗规划中的行为数据，并培训人工智能规划师。目标 2：系统验证和翻译。我们将把人工智能规划器集成到 Varian Eclipse 治疗规划系统中，并在临床现实环境中验证该系统。这些创新包括使用最先进的人工智能模仿学习算法来解决临床上的重要问题、开发系统带来的新颖技术能力，以及为最终用户提供新功能的连贯翻译活动。广泛的初步研究以及整合互补专业知识和资源的合作伙伴关系确保了交付能力。AI规划器的临床转化将为放疗带来重大影响，提供高质量、高效的治疗规划，造福患者，特别是资源有限地区的患者。要申请到这个课题，还必须说清楚“你是完成这个课题的最佳人选”。这时候工作基础和团队就非常重要了。我们对该团队的工作做了大数据分析，帮助他们做一梳理。从下面的时间轴可以看到，该团队已经做了9年研究，一直做优化计算；并已经发表了114篇论文。A，该团队早期研究即使用GPU于临床计算。图形处理单元（GPU）目前已经被广泛认可为全球目前最好的处理器。Jia X, Ziegenhein P, Jiang SB. GPU-based high-performance computing for radiation therapy. Phys Med Biol. 2014 Feb 21;59(4):R151-82. doi: 10.1088/0031-9155/59/4/R151. Epub 2014 Feb 3. PMID: 24486639; PMCID: PMC4003902.B，针对本课题，研究基础就有“通过深度学习提高放疗剂量计算准确性”Xing Y, Zhang Y, Nguyen D, Lin MH, Lu W, Jiang S. Boosting radiotherapy dose calculation accuracy with deep learning. J Appl Clin Med Phys. 2020 Aug;21(8):149-159. doi: 10.1002/acm2.12937. Epub 2020 Jun 19. PMID: 32559018; PMCID: PMC7484829.Shen C, Nguyen D, Chen L, Gonzalez Y, McBeth R, Qin N, Jiang SB, Jia X. Operating a treatment planning system using a deep-reinforcement learning-based virtual treatment planner for prostate cancer intensity-modulated radiation therapy treatment planning. Med Phys. 2020 Jun;47(6):2329-2336. doi: 10.1002/mp.14114. Epub 2020 Mar 28. PMID: 32141086; PMCID: PMC7903320.▽ 当然，该团队还有很多相关论文，下面是该团队发表论文的时间轴。大数据解析该团队成员，显示了非常清楚的学术圈。这些也是团队核心成员。
主研Jiang, Steve B是医学人工智能背景；
- 放射治疗计算与硬件创新技术（iTORCH）实验室、
对于已经进行了几年的科研项目，已经不再需要找到其标书全文、而是通过其最新发表的论文，就可以知道（甚至更清楚可行的）课题设计路线。
Chun J, Park JC, Olberg S, Zhang Y, Nguyen D, Wang J, Kim JS, Jiang S. Intentional deep overfit learning (IDOL): A novel deep learning strategy for adaptive radiation therapy. Med Phys. 2022 Jan;49(1):488-496. doi: 10.1002/mp.15352. Epub 2021 Nov 30. PMID: 34791672.基金申请的关键是选题：选择重要而未解决的临床问题，并且又是自己（团队）具有独有优势的课题。- A，可持续性。有些课题做着做着就做不下去了，这时候可能就需要或者做转化，如申请专利、做转化、甚至注册生物研发公司继续推向上市，或者更新课题。
- B，不断更新。就需要敏感地扑捉到新科技的进步，从而解决既往不能解决的问题。
要解决这些问题都需要更新自己的知识储备、甚至借助第三方咨询公司的力量。美国Healsan咨询（HS）有Healsan医学大数据™和Hanson临床科研™两个品牌，通过独有的大数据分析工具，擅长于临床科研选题。HS项目组的Dr. Xie, Dr. Wang, Dr. Meng在国内时均主持过国自然基金，其中Dr. Wang长期从事机器学习和深度学习在临床应用的研究，Qiu律师则擅长于专利申请、外来资本投资及转化【3】。如果你想要获得美国Healsan咨询（HS）的帮助，梳理出自己研究领域的选题或者通过大数据分析协助选题，与HS的科研助手联系。除此之外，Hanson临床科研™还总结和整理出了对于国自然基金申请有帮助的系列专辑。参考文献：
【1】 https://www.nsfc.gov.cn/publish/portal0/tab1473/
【2】 www.nsfc.gov.cn/csc/20345/20348/pdf/2023/202304-656-661.pdf
【3】 https://healsan.com/our-team-1
编辑：Henry，微信号：Healsan；加好友请注明理由。
助理：ChatGPT；封面：Hanson设计、GPT 4制图
美国Healsan Consulting(恒祥咨询)，专长于Healsan医学大数据分析、及基于大数据的Hanson临床科研支持。主要为医生科学家、生物制药公司和医院科研处等提供分析和报告，成为诸多机构的“临床科研外挂”。
点击👆；From Bench to Bedside, Healsan Paves the Path.
