騰訊優(yōu)圖實(shí)驗(yàn)室聯(lián)合廣東省肺癌研究所吳一龍教授／鐘文昭教授團(tuán)隊(duì)，與清華大學(xué)以及國(guó)內(nèi)多家中心呼吸科／放射科團(tuán)隊(duì)等共同開發(fā)了基于卷積神經(jīng)網(wǎng)絡(luò)算法的肺結(jié)節(jié)診斷模型，近日，該初步研究成果已被全球癌癥領(lǐng)域知名醫(yī)學(xué)期刊《腫瘤學(xué)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(lái)越多的肺部結(jié)節(jié)，使患者得以早期診斷，早期手術(shù)臨床治愈率越高。然而，將CT作為篩查手段仍存在較高假陽(yáng)性率（即CT發(fā)現(xiàn)的結(jié)節(jié)可能不一定是惡性，或是極度惰性生長(zhǎng)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(shí)間和精力。近年來(lái)機(jī)器學(xué)習(xí)算法在醫(yī)療領(lǐng)域的大展拳腳（糖尿病視網(wǎng)膜病變／皮膚�。�甲狀腺結(jié)節(jié)等），基于卷積神經(jīng)網(wǎng)絡(luò)算法（機(jī)器學(xué)習(xí)算法一類）的肺結(jié)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(tuán)隊(duì)及多個(gè)中心等推出的基于卷積神經(jīng)網(wǎng)絡(luò)算法的肺結(jié)節(jié)診斷模型，可有望輔助醫(yī)生提高結(jié)節(jié)檢出率的同時(shí)兼顧良惡性診斷準(zhǔn)確率，大大降低放射科醫(yī)師日常CT讀取工作量，同時(shí)使得更多患者能夠及時(shí)得到早期治療干預(yù)，進(jìn)一步降低肺癌相關(guān)死亡率。

作為騰訊覓影核心AI技術(shù)的提供方，騰訊優(yōu)圖實(shí)驗(yàn)室將持續(xù)通過(guò)騰訊覓影，與更多醫(yī)院及醫(yī)療機(jī)構(gòu)展開合作，讓技術(shù)真正應(yīng)用落地。目前，騰訊覓影已與國(guó)內(nèi)超過(guò)100多家頂級(jí)三甲醫(yī)院達(dá)成合作，共同推進(jìn)AI在醫(yī)療領(lǐng)域的研究和應(yīng)用。此外，依托騰訊云的服務(wù)器，騰訊優(yōu)圖具備進(jìn)行上億規(guī)模的模型訓(xùn)練及合作接入，為技術(shù)落地提供有力的服務(wù)保障。未來(lái)，AI＋醫(yī)學(xué)有望在推動(dòng)各級(jí)醫(yī)療系統(tǒng)診斷同質(zhì)化，減輕醫(yī)生工作量，提升診斷準(zhǔn)確率和效率方面，發(fā)揮更大的作用。

以下為詳細(xì)研究?jī)?nèi)容：

一、分析步驟：

預(yù)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(wú)關(guān)組織（骨與軟組織），接著使用自適應(yīng)閾值圖像分割方法，建立3維模型；重建3維圖象為標(biāo)準(zhǔn)化的切片厚度和分辨率，以避免不同CT機(jī)器的誤差。

結(jié)節(jié)診斷模塊：建立3D肺結(jié)節(jié)檢測(cè)網(wǎng)絡(luò)獲得重建圖象的3D特征；在Pythorch平臺(tái)上分兩步訓(xùn)練CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型，a， （結(jié)節(jié)檢測(cè)網(wǎng)絡(luò)），輸入信息包括圖象和相應(yīng)的位置附加信息；b， 根據(jù)第一步的檢測(cè)網(wǎng)絡(luò)參數(shù)初始化結(jié)節(jié)診斷網(wǎng)絡(luò)，并對(duì)輸出圖象和相關(guān)診斷結(jié)果進(jìn)行微調(diào)。

輸出模塊：在結(jié)節(jié)診斷網(wǎng)絡(luò)計(jì)算出所有結(jié)節(jié)的惡性評(píng)分后，對(duì)其進(jìn)行融合以得出最后的圖象級(jí)惡性評(píng)分。融合圖像級(jí)惡性腫瘤評(píng)分可用公式Pf＝1（1p1）（1p2）…計(jì)算。（1PN），其中P代表結(jié)節(jié)惡性的概率，N代表結(jié)節(jié)的數(shù)目。