騰訊優(yōu)圖推出卷積神經網絡深度學習算法模型，被知名醫(yī)學期刊Oncologist收錄

騰訊優(yōu)圖實驗室聯(lián)合廣東省肺癌研究所吳一龍教授/鐘文昭教授團隊，與清華大學以及國內多家中心呼吸科/放射科團隊等共同開發(fā)了基于卷積神經網絡算法的肺結節(jié)診斷模型，近日，該初步研究成果已被全球癌癥領域知名醫(yī)學期刊《腫瘤學家》(《The Oncologist》)收錄并全文發(fā)表。

隨著低劑量螺旋CT(LDCT)的普及，檢出了越來越多的肺部結節(jié)，使患者得以早期診斷，早期手術臨床治愈率越高。然而，將CT作為篩查手段仍存在較高假陽性率(即CT發(fā)現(xiàn)的結節(jié)可能不一定是惡性，或是極度惰性生長腫瘤)，此外激增的CT分析工作也大大占據(jù)放射科醫(yī)師有限的工作時間和精力。近年來機器學習算法在醫(yī)療領域的大展拳腳(糖尿病視網膜病變/皮膚病/甲狀腺結節(jié)等)，基于卷積神經網絡算法(機器學習算法一類)的肺結節(jié)診斷模型有望解決這一難題。此次騰訊優(yōu)圖聯(lián)合吳一龍教授/鐘文昭教授團隊及多個中心等推出的基于卷積神經網絡算法的肺結節(jié)診斷模型，可有望輔助醫(yī)生提高結節(jié)檢出率的同時兼顧良惡性診斷準確率，大大降低放射科醫(yī)師日常CT讀取工作量，同時使得更多患者能夠及時得到早期治療干預，進一步降低肺癌相關死亡率。

作為騰訊覓影核心AI技術的提供方，騰訊優(yōu)圖實驗室將持續(xù)通過騰訊覓影，與更多醫(yī)院及醫(yī)療機構展開合作，讓技術真正應用落地。目前，騰訊覓影已與國內超過100多家頂級三甲醫(yī)院達成合作，共同推進AI在醫(yī)療領域的研究和應用。此外，依托騰訊云的服務器，騰訊優(yōu)圖具備進行上億規(guī)模的模型訓練及合作接入，為技術落地提供有力的服務保障。未來，AI+醫(yī)學有望在推動各級醫(yī)療系統(tǒng)診斷同質化，減輕醫(yī)生工作量，提升診斷準確率和效率方面，發(fā)揮更大的作用。

以下為詳細研究內容：

一、分析步驟：

預處理模塊：從CT切片中分離出包含肺組織的圖像區(qū)域，閾值0HU去除無關組織(骨與軟組織)，接著使用自適應閾值圖像分割方法，建立3維模型;重建3維圖象為標準化的切片厚度和分辨率，以避免不同CT機器的誤差。

結節(jié)診斷模塊：建立3D肺結節(jié)檢測網絡獲得重建圖象的3D特征;在Pythorch平臺上分兩步訓練CNN(卷積神經網絡)模型，a, (結節(jié)檢測網絡)，輸入信息包括圖象和相應的位置附加信息;b, 根據(jù)第一步的檢測網絡參數(shù)初始化結節(jié)診斷網絡，并對輸出圖象和相關診斷結果進行微調。

輸出模塊：在結節(jié)診斷網絡計算出所有結節(jié)的惡性評分后，對其進行融合以得出最后的圖象級惡性評分。融合圖像級惡性腫瘤評分可用公式Pf=1−(1−p1)(1−p2)…計算。(1−PN)，其中P代表結節(jié)惡性的概率，N代表結節(jié)的數(shù)目。

二、研究結果：

首先，使用LUNA16和Kaggle數(shù)據(jù)對模型進行預訓練，收集來自廣東省人民醫(yī)院呼吸科放射科，中山大學附屬第三醫(yī)院放射科，佛山市第一人民醫(yī)院放射科及廣州市胸科醫(yī)院放射科多中心數(shù)據(jù)進行模型訓練和驗證?；诙嘀行挠跋駭?shù)據(jù)訓練后的模型診斷敏感性和特異性分別達到84.4%和83.0%，AUC為0.855。同時可以觀察到，隨著訓練圖象樣本量的增加，模型整體檢測靈敏度，特異度以及AUC均增加。同時我們將該模型算法與Kaggle比賽中第一名算法(Kaggle模型)進行基于第三方影像數(shù)據(jù)的比較，基于0.757的特異度水平，該模型的敏感性是0.752而Kaggle模型是0.661(見圖4A)，AUC分別是0.803和0.767。

針對結節(jié)直徑大小進行亞組分析(0-10mm, 10-20mm, 20-30mm)比較，可以看到，三個亞組之間均無顯著統(tǒng)計學差異，提示該模型早期微結節(jié)中同樣具有較高診斷準確率。此外可以看到，模型對于腺癌的診斷準確率最高達到85.7%，可能是因為受到整體腺癌占比較高數(shù)據(jù)偏倚導致。

此外，我們同時基于前瞻性收集的50例肺部結節(jié)CT進行了人機對比，比較了醫(yī)師團隊，預訓練模型，訓練后模型以及Kaggle第一位模型算法的診斷效力，可以看到預訓練模型與醫(yī)師團隊評估結果相近，相比于Kaggle第一位算法兩者均具有更高準確性，而該訓練后模型無論在靈敏度(96.0%)，特異度(88.0%)抑或是準確度(92.0%)上均較其它三者具有更高的診斷效力。

三、結論與討論：

在這項研究中，深度學習算法應用于肺結節(jié)臨床檢出與診斷的可行性得到驗證，尤其該模型在結節(jié)檢測和分類的能力上表現(xiàn)出了優(yōu)勢。此外，通過與實際人工檢測團隊，Kaggle排行第一的算法比較，模型使用的CNN算法在結節(jié)分類能力上也具有相當不錯的表現(xiàn)。

不同于未使用真實世界數(shù)據(jù)或病理結果對模型進行深入驗證的研究，該研究使用改進的深度神經網絡和具有病理金標準標簽的大數(shù)據(jù)集(855例)，對基于深度學習的模型的應用進行了優(yōu)化，并將其推廣到真實醫(yī)療環(huán)境中，使其敏感性和特異性達到了84.4%和83.0%，最大限度地降低了假陽性和假陰性結果。此外，亞組分析顯示，其對微小結節(jié)的檢測效率(0-10mm)與一般結節(jié)(10-30mm)具有同等診斷效力。

同時，該模型的診斷能力也比既往報道的計算機輔助結節(jié)檢測工具有更高的敏感度和特異度，同時該模型隨著數(shù)據(jù)的增加，能進一步優(yōu)化其診斷鑒別效能。當然該研究也存在一定的不足，相比于既往研究而言，該研究入組的肺結節(jié)均為臨床診斷早期肺結節(jié)，并非來自于篩查隊列的數(shù)據(jù)，可能無法更真實反映該模型在早期篩查中應用實際效能;其次我們仍然無法很好區(qū)分出進展緩慢的早期結節(jié)，可能需要更多多次隨訪影像資料的納入以更好對早期篩查患者進行分層及指導后續(xù)處理方案;此外該模型納入的數(shù)據(jù)量相較于其他機器學習樣本量仍然較少，還需要在更大樣本量隊列中進一步驗證。

這項研究使用基于深度學習算法的模型顯著提高了早期肺癌檢出和診斷的敏感性及特異性，且其診斷效力較經驗豐富的?？漆t(yī)師團隊更優(yōu)，顯示出今后應用這一類模型算法輔助臨床醫(yī)師日常肺部影像診斷的可行性，同時提高早期結節(jié)檢出率及診斷率，使更多患者能夠得到早期治療干預，達到早期臨床治愈的效果。

特別感謝所有參與到該研究前瞻性驗證的單位(排名不分先后)：廣東省人民醫(yī)院，中山大學腫瘤防治所，中山大學附屬第一醫(yī)院，中山大學附屬第三醫(yī)院，中山大學附屬第五醫(yī)院，中山大學附屬第六醫(yī)院，汕頭中心醫(yī)院，深圳市人民醫(yī)院，佛山市第一人民醫(yī)院，南京總醫(yī)院，湖南省腫瘤醫(yī)院，北京腫瘤醫(yī)院，北京首鋼醫(yī)院，北京大學第三醫(yī)院，盛京醫(yī)院，天津總醫(yī)院，天津腫瘤醫(yī)院，復旦大學腫瘤醫(yī)院，復旦大學中山醫(yī)院，北京胸科醫(yī)院，河南省人民醫(yī)院，河南省腫瘤醫(yī)院，唐都醫(yī)院，福建省腫瘤醫(yī)院，西京醫(yī)院，浙江省附屬第一醫(yī)院，武漢協(xié)和醫(yī)院。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。