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影像预测早期肿瘤浸润方面超越影像专家
2018-10-12 MedSci MedSci
2018年10月11日， 由点内科技、复旦大学附属华东医院“张国桢肺微小结节诊治中心”的李铭教授和上海交通大学人工智能研究院共同发起的“3D深度学习在CT影像预测早期肿瘤浸润应用”的成果，该成果发表于《Cancer Research》数据显示，多任务深度学习模型在区分肿瘤浸润/非浸润两分类的准确率达78.8%（AUC），区分IAC/非IAC（0期/I期）两分类的准确率达到了88.0%（AUC）
2018年10月11日， 由点内科技、复旦大学附属华东医院“张国桢肺微小结节诊治中心”的李铭教授和上海交通大学人工智能研究院共同发起的“3D深度学习在CT影像预测早期肿瘤浸润应用”的项目成果正式发布。数据显示，多任务深度学习模型在区分肿瘤浸润/非浸润两分类的准确率达78.8%（AUC），区分IAC/非IAC（0期/I期）两分类的准确率达到了88.0%（AUC），区分AAH-AIS/MIA/IAC三分类的准确率达到了63.3%（F1）。该成果发表在国际顶级期刊《Cancer Research》杂志。这些数字背后意味着肿瘤早筛取得了令人振奋的阶段性结果，也预示着对肿瘤高危人群早期预警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、<按照AAH-AIS, MIA和IA三分类分组，4位放射科医生的预测精度分别为分别为55.6%，56.6%， 54.3%，and 51 0%，DenseSharp 深度学习网络的预测精度达到63.3%。
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。”
肿瘤早诊技术从实验室向临床转化的必须路径
据悉，该研究提供的大量病理、像素标注数据归功于华东医院“张国桢肺微小结节诊治中心”团队多年来的积累。华东医院“张国桢肺微小结节诊治中心”专注于早期肺癌的筛查、诊断及治疗研究，提出“抓早、抓小、抓准、抓好”的四抓原则，尤其是IA1期肺癌（10mm及以下肺结节）的诊断全球领先，并将中心近年的经验及成果著书于2018年初由Springer出版社出版的“Early stage lung cancer”，标志着在肺癌的诊断及治疗领域中，中国不仅具有最优质的数据，而且在肺癌的筛查及早期诊断方面也走在了世界前列。
该研究被视作中国肝癌早筛早诊的一个重要里程碑。该项研究获得的初步成功确立了点内科技在肿瘤早筛的实验方案，同时也对多任务的卷积神经网络学习的分析算法进行了探索，但这也仅仅是企业与临床转化在肿瘤早筛预警上迈出的第一步，随着数据的累积了，3D深度学习网络精准度会继续上升。
上海交通大学人工智能在读博士杨健程博士，也是此次论文的第一作者表示，“从论文的构思到发表，我们经历了数据采集、像素级标注、数据处理、模型开发训练、模型测试、公共数据集申请、下载、标注、测试、论文的攥写、修改、同行评阅、修回等过程，只用了不到9个月时间便完成了算法开发测试及论文发表工作。要在这么短时间内完成这件事，是非常不容易的，这需要建立在一个相对确定和稳固的技术条件上，有了点内科技的充分准备，整个研究的开展就更加顺利，对于临床数据的分析可以更加深化。”
最后，点内科技创始人葛亮先生表示，“基于此次研究成果，我们研发了一款产品“肺常好”，此款产品是全球首创能够给出AAH/AIS/MIA/IAC早期腺癌浸润程度建议的精准医疗人工智能系统。而这一特点恰恰是目前AI医学影像市场上唯一能够帮助医生进行分型预测、术前评估的产品。大约有30%的病人因为肺癌病灶发现及诊断较晚，失去手术机会，不能通过手术来判断病理的结果。但CT是无创检查，我们可以用CT影像（无创）利用AI去自动预测病理（有创）的结果，将进一步推进精准医疗的研究以及在临床实践中的普及和应用。”
小提示：本篇资讯需要登录阅读，点击跳转登录
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#3D#
31
#上海交大#
40
#Research#
36
太牛了
72