点内科技联合华东医院及上海交大在Cancer Research 发表论文：3D深度学习在CT影像预测...

正文

请到「今天看啥」查看全文

筛查 迈出了坚实的一步。

3D深度学习在早期筛查精准度超越专家水平，后续还将提升

该研究纳入651例亚厘米膜玻璃结节，每个结节都具有像素级的手动分割结果和对应的病理标签，即是不典型腺瘤样增生（AAH），原位腺癌（AIS），微侵润腺癌（MIA）和侵润性腺癌（IA）。之后，对亚厘米结节进行三种分组分别分析，即两分类的浸润前病变(AAH- AIS)和浸润性病变(MIA-IA),两分类的非IA (AAH-AIS-MIA)和IA,以及三分类的AAH- AIS, MIA,IA。

通过利用深度学习的方法对像素级标注的亚厘米肺腺癌CT数据和其病理结果标注进行训练。该研究对523个结节进行训练，并在128个结节上进行测试。2组放射科医生，包括2名高年资和2名低年资医生，评阅测试集的结果当做观察性研究与深度学习系统结果进行对比。

结果显示按照AAH-AIS和MIA-IA二分类分组(非浸润/浸润)，4位放射科医生(高年资医生1位， 高年资医生2位,低年资医生1位，低年资医生2位)的预测浸润程度的精度(F1-Score) 分别为68.0%，67.4%， 66.0%， 64.0%， DenseSharp 深度学习网络的预测精度达到78.5%，预测浸润程度的曲线下面积(AUC)达到0.788。按照非IA (AAH-AIS-MIA) 和IA二分类分组，4位放射科医生的预测精度分别84.6%，85.5%， 86.2%， 84.5%， DenseSharp深度学习网络的预测精度达到85.9%，曲线下面积达到0.880、

图： 复旦大学附属华东医院放射科副主任李铭教授

来自复旦大学附属华东医院放射科副主任李铭教授告诉梅斯记者，“我们纳入的亚厘米肺结节大部分为肺磨玻璃结节，这种类型的结节，特别是亚厘米磨玻璃结节，在CT图像上由于传统的恶性征象较少出现，浸润前病变和浸润性病变影像表现重叠较高等特征，诊断十分困难，在三分类的诊断上，高年资医师的诊断正确率也只有56.6%，而深度学习的准确率可达到63.3%，可见深度学习在处理这类问题时的优势与前景。”

点内科技瞄准精准医疗，用CT＋AI预测病理结果

据了解，此次研究是 基于多任务的卷积神经网络对于亚厘米肺腺癌的浸润风险程度进行自动术前预测，建立医疗影像上的taskonomy（任务谱），逐步使医疗影像的研究脱离西西弗斯式的悲剧（Sisyphean challenge），合理的任务配置将会极大降低模型的学习难度、迁移泛化能力、稳定性和可靠性。该模型基于3D DenseNets，配合多任务学习，是参数高效（parameter-efficient）的3D卷积神经网络。训练完成后，模型只需要常规的CT数据，不需要肺结节分割、大小以及任何预先定义的信息。我们的多任务学习模型显著优于单任务模型，并且3D模型也显著优于其2D变种。

图： 点内科技创始人葛亮先生

“多年来学术界和临床一直在寻找有效的诊断技术，用于中国的癌症防治事业上。希望通过肿瘤早筛技术，早发现早治疗，造福患者和社会。”点内科技创始人葛亮先生表示，“人工智能在近几年得到了飞速的发展，为现有临床检测技术做了有效补充，为肿瘤早期预警筛查等一些临床难以解决的问题开辟了一个新的思路，虽然过程中一定会充满了挑战，随着我们算法的迭代升级，得到的筛查结果将更加准确，我们对自身技术有充分的自信。”

请到「今天看啥」查看全文