腾讯优图推出卷积神经网络深度学习算法模型，被知名医学期刊Oncologist收录

　　腾讯优图实验室联合广东省肺癌研究所吴一龙教授/钟文昭教授团队，与清华大学以及国内多家中心呼吸科/放射科团队等共同开发了基于卷积神经网络算法的肺结节诊断模型，近日，该初步研究成果已被全球癌症领域知名医学期刊《肿瘤学家》(《The Oncologist》)收录并全文发表。

　　随着低剂量螺旋CT(LDCT)的普及，检出了越来越多的肺部结节，使患者得以早期诊断，早期手术临床治愈率越高。然而，将CT作为筛查手段仍存在较高假阳性率(即CT发现的结节可能不一定是恶性，或是极度惰性生长肿瘤)，此外激增的CT分析工作也大大占据放射科医师有限的工作时间和精力。近年来机器学习算法在医疗领域的大展拳脚(糖尿病视网膜病变/皮肤病/甲状腺结节等)，基于卷积神经网络算法(机器学习算法一类)的肺结节诊断模型有望解决这一难题。此次腾讯优图联合吴一龙教授/钟文昭教授团队及多个中心等推出的基于卷积神经网络算法的肺结节诊断模型，可有望辅助医生提高结节检出率的同时兼顾良恶性诊断准确率，大大降低放射科医师日常CT读取工作量，同时使得更多患者能够及时得到早期治疗干预，进一步降低肺癌相关死亡率。

　　作为腾讯觅影核心AI技术的提供方，腾讯优图实验室将持续通过腾讯觅影，与更多医院及医疗机构展开合作，让技术真正应用落地。目前，腾讯觅影已与国内超过100多家顶级三甲医院达成合作，共同推进AI在医疗领域的研究和应用。此外，依托腾讯云的服务器，腾讯优图具备进行上亿规模的模型训练及合作接入，为技术落地提供有力的服务保障。未来，AI+医学有望在推动各级医疗系统诊断同质化，减轻医生工作量，提升诊断准确率和效率方面，发挥更大的作用。

　　以下为详细研究内容：

　　一、分析步骤：

　　预处理模块：从CT切片中分离出包含肺组织的图像区域，阈值0HU去除无关组织(骨与软组织)，接着使用自适应阈值图像分割方法，建立3维模型;重建3维图象为标准化的切片厚度和分辨率，以避免不同CT机器的误差。

　　结节诊断模块：建立3D肺结节检测网络获得重建图象的3D特征;在Pythorch平台上分两步训练CNN(卷积神经网络)模型，a, (结节检测网络)，输入信息包括图象和相应的位置附加信息;b, 根据第一步的检测网络参数初始化结节诊断网络，并对输出图象和相关诊断结果进行微调。

　　输出模块：在结节诊断网络计算出所有结节的恶性评分后，对其进行融合以得出最后的图象级恶性评分。融合图像级恶性肿瘤评分可用公式Pf=1−(1−p1)(1−p2)…计算。(1−PN)，其中P代表结节恶性的概率，N代表结节的数目。

　　二、研究结果：

　　首先，使用LUNA16和Kaggle数据对模型进行预训练，收集来自广东省人民医院呼吸科放射科，中山大学附属第三医院放射科，佛山市第一人民医院放射科及广州市胸科医院放射科多中心数据进行模型训练和验证。基于多中心影像数据训练后的模型诊断敏感性和特异性分别达到84.4%和83.0%，AUC为0.855。同时可以观察到，随着训练图象样本量的增加，模型整体检测灵敏度，特异度以及AUC均增加。同时我们将该模型算法与Kaggle比赛中第一名算法(Kaggle模型)进行基于第三方影像数据的比较，基于0.757的特异度水平，该模型的敏感性是0.752而Kaggle模型是0.661(见图4A)，AUC分别是0.803和0.767。

　　针对结节直径大小进行亚组分析(0-10mm, 10-20mm, 20-30mm)比较，可以看到，三个亚组之间均无显著统计学差异，提示该模型早期微结节中同样具有较高诊断准确率。此外可以看到，模型对于腺癌的诊断准确率最高达到85.7%，可能是因为受到整体腺癌占比较高数据偏倚导致。

　　此外，我们同时基于前瞻性收集的50例肺部结节CT进行了人机对比，比较了医师团队，预训练模型，训练后模型以及Kaggle第一位模型算法的诊断效力，可以看到预训练模型与医师团队评估结果相近，相比于Kaggle第一位算法两者均具有更高准确性，而该训练后模型无论在灵敏度(96.0%)，特异度(88.0%)抑或是准确度(92.0%)上均较其它三者具有更高的诊断效力。

　　三、结论与讨论：

　　在这项研究中，深度学习算法应用于肺结节临床检出与诊断的可行性得到验证，尤其该模型在结节检测和分类的能力上表现出了优势。此外，通过与实际人工检测团队，Kaggle排行第一的算法比较，模型使用的CNN算法在结节分类能力上也具有相当不错的表现。

　　不同于未使用真实世界数据或病理结果对模型进行深入验证的研究，该研究使用改进的深度神经网络和具有病理金标准标签的大数据集(855例)，对基于深度学习的模型的应用进行了优化，并将其推广到真实医疗环境中，使其敏感性和特异性达到了84.4%和83.0%，最大限度地降低了假阳性和假阴性结果。此外，亚组分析显示，其对微小结节的检测效率(0-10mm)与一般结节(10-30mm)具有同等诊断效力。

　　同时，该模型的诊断能力也比既往报道的计算机辅助结节检测工具有更高的敏感度和特异度，同时该模型随着数据的增加，能进一步优化其诊断鉴别效能。当然该研究也存在一定的不足，相比于既往研究而言，该研究入组的肺结节均为临床诊断早期肺结节，并非来自于筛查队列的数据，可能无法更真实反映该模型在早期筛查中应用实际效能;其次我们仍然无法很好区分出进展缓慢的早期结节，可能需要更多多次随访影像资料的纳入以更好对早期筛查患者进行分层及指导后续处理方案;此外该模型纳入的数据量相较于其他机器学习样本量仍然较少，还需要在更大样本量队列中进一步验证。

　　这项研究使用基于深度学习算法的模型显著提高了早期肺癌检出和诊断的敏感性及特异性，且其诊断效力较经验丰富的专科医师团队更优，显示出今后应用这一类模型算法辅助临床医师日常肺部影像诊断的可行性，同时提高早期结节检出率及诊断率，使更多患者能够得到早期治疗干预，达到早期临床治愈的效果。

　　特别感谢所有参与到该研究前瞻性验证的单位(排名不分先后)：广东省人民医院，中山大学肿瘤防治所，中山大学附属第一医院，中山大学附属第三医院，中山大学附属第五医院，中山大学附属第六医院，汕头中心医院，深圳市人民医院，佛山市第一人民医院，南京总医院，湖南省肿瘤医院，北京肿瘤医院，北京首钢医院，北京大学第三医院，盛京医院，天津总医院，天津肿瘤医院，复旦大学肿瘤医院，复旦大学中山医院，北京胸科医院，河南省人民医院，河南省肿瘤医院，唐都医院，福建省肿瘤医院，西京医院，浙江省附属第一医院，武汉协和医院。