近日獲悉，點內科技、復旦大學附屬華東醫(yī)院“張國楨肺微小結節(jié)診治中心”和上海交通大學“SJTU－UCLA機器感知與推理聯(lián)合研究中心”組成聯(lián)合研究團隊的共同合作科研成果“3D Deep Learning from CT Scans Predicts Tumor Invasiveness of Subcentimeter Pulmonary Adenocarcinomas ”發(fā)表于美國癌癥研究協(xié)會（American Association for Cancer Research，AACR）會刊《Cancer Research》，這一雜志在2017年的影響因子為9．13。

論文截圖

該文章與2018年10月2日在線發(fā)表，文章利用深度學習的方法對像素級標注的亞厘米肺腺癌CT數(shù)據(jù)和其病例結果標注進行訓練，通過多任務的卷積神經(jīng)網(wǎng)絡對亞厘米肺腺癌的浸潤風險程度進行自動術前預測，并建立醫(yī)療影像上的任務譜降低模型的學習難度，遷移泛化能力、穩(wěn)定性和可靠性。該研究能幫助醫(yī)生選擇早期肺癌的治療方法，將有效推動精準醫(yī)療發(fā)展。

復旦大學華東醫(yī)院李銘教授談到了肺癌的現(xiàn)狀：“我國屬于肺癌高發(fā)國家，5年生存率低于20％，死亡率在所有癌癥中位列第一的位置。其原因來源于國內的患者缺乏早篩意識，患者發(fā)現(xiàn)肺癌時往往已是中晚期，以現(xiàn)在的醫(yī)療水平治療乏力。同時，高昂的醫(yī)療費用不僅讓患者家庭入不敷出，相應的醫(yī)療保險也為國家?guī)�來了巨大的負擔。所以，我國已�?jīng)發(fā)布多個政策試圖將患者下放至基層，這個過程需要人工智能進行輔助�！�

然而，國內肺結節(jié)公司眾多，雖圖像識別的準確率相差無幾，但整個診斷流程良莠不齊。為在整個產業(yè)中脫穎而出，點內科技嘗試用多分類的方式將肺結節(jié)劃分為AAH、AIS、MIA、IA四個亞類，給出早期浸潤程度建議，更為深入的探究患者肺結節(jié)的情況。

在128例測試集上，多任務深度學習模型預測的結果優(yōu)于4位放射科醫(yī)生（兩位高年資醫(yī)師和兩位低年資醫(yī)生）的評價結果。該模型在區(qū)分浸潤／非浸潤兩分類的準確率達到了78．8％（AUC），區(qū)分IAC／非IAC（0期／I期）兩分類的準確率達到了88．0％（AUC），區(qū)分AAH－AIS／MIA／IAC三分類的準確率達到了63．3％（F1）。

該研究中使用的亞厘米肺結節(jié)數(shù)據(jù)大部分為肺磨玻璃結節(jié)，這種類型的結節(jié)，特別是亞厘米磨玻璃結節(jié)，在CT圖像上由于傳統(tǒng)的惡性征象較少出現(xiàn)，浸潤前病變和浸潤性病變影像表現(xiàn)重疊較高等特征，診斷十分困難，在三分類的診斷上，高年資醫(yī)師的診斷正確率也只有56．6％，而點內的深度學習準確率可達到63．3％，由此可見深度學習在處理這類問題時的優(yōu)勢與前景。

本文從構思到發(fā)表，經(jīng)歷了數(shù)據(jù)采集、像素級標注、數(shù)據(jù)處理、模型開發(fā)訓練、模型測試、公共數(shù)據(jù)集申請、下載、標注、測試、論文的攥寫、修改、同行評閱、修回等過程，點內的聯(lián)合研究團隊只用了不到9個月時間便完成了算法開發(fā)測試及論文發(fā)表工作。