人工智能辅助诊断技术在低剂量肺癌筛查中的应用

来自上海长征医院影像科的李清楚医生在2019年11月7日举办的第27次全国医学影像技术学学术大会暨山东省第14次放射技术学学术大会上，发表了题为《人工智能辅助诊断技术在低剂量肺癌筛查中的应用》专题讲座，向来自全国各省的放射及呼吸科专家医生介绍了杏脉最新的研究成果“基于深度学习的肺结节检出之泛化性研究”在肺癌疾病治疗中的落地应用及发展前景。同时，题为《Detectability of pulmonary nodules by deep learning: results from a phantom study》的该篇论文也已经在Chin.J.Acad.Radiol.同步发表。

杏脉科技发布最新研究成果——基于深度学习的肺结节检出之泛化性研究

2011年至今，随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。

医疗行业是未来人工智能应用的重要领域，拥有巨大的发展空间。杏脉科技作为在医疗人工智能领域具有强开拓性的高科技企业，一直致力于为实际临床需求提出对应的解决方案。杏脉科技的基于深度学习的肺结节检出之泛化性研究成果旨在研究肺结节大小、密度、扫描剂量、切片厚度和重建方法是如何对体膜CT扫描中检测肺结节的深度学习（Deep Learning）模型的性能产生影响的。通过两种不同密度和五种不同尺寸的肺结节体膜进行扫描及重建CT数据，利用三种不同的管电流，对两种不同切片厚度，进行四种不同的重构方法。深度学习模型的评估侧重于检测的准确度和敏感度。

根据研究的统计结果，我们发现准确度和敏感度能取决于结节大小，结节类型，管电流，重建方法和图像厚度。比较固体结节（100 HU）和毛玻璃（GGO，− 630 HU）结节体模，实心结节体模预测很少受电子管电流，重建方法和结节大小的影响。在所有实心结节体模中，准确度和敏感度均接近100％。在多数情况下，尺寸越大、管电流越高可以使磨玻璃结节体膜提供更高的准确度和敏感度。

此外，研究还分析了图像切片厚度与重建方法之间的关系，厚度为1mm图像在iDose4-STD和FBP-STD的准确度和敏感度数值上都显示出更好的结果。而厚度为2mm图像在iDose-YA和FBP-YA表现更优。因此，研究结论表明，深度学习模型具有很高的稳定性及泛化性，可使用于日常临床诊断及疾病筛查。

杏脉科技基于深度学习的肺结节检出之泛化性研究，开发了肺结节人工智能影像辅助诊断系统，可在CT扫描图像基础上，通过人工智能深度学习技术，实现一键跳转感兴趣的结节、按需隐藏/显示结节、排序结节、结节测量、结节的结构化报告等功能。

杏脉科技总裁房劬表示：长期以来医学界对人工智能的质疑很大程度上来自于AI软件鲁棒性不强，泛化能力差的固有认知，认为相对于人类医生，机器的学习量大，速度快，但缺少举一反三的能力。针对这样的问题，杏脉科技创造性地将深度学习算法与医学先验知识融合，并根据对设备重建参数的理解，让模型在有限的训练数据量下，有了对大规模真实世界数据的适应能力，从而提升了泛化性能。医学本身的丰富度和多样性对医疗AI是一种挑战，最终能被医疗工作者广泛认可的一定是那些更“聪明”的产品。