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过影像专家

CT影像预测早期肿瘤病理浸润，人工智能VS放射专家

《Cancer Research》创办于1916年，为国际肿瘤研究领域引用率最高的权威期刊之一，主要发表包括基础研究、临床前及临床、肿瘤预防及生物治疗在内的肿瘤学原创研究论文和综述文章，具有很高的国际影响力，2017年影响因子高达9.13。这一成果的发布是AI医疗领域重要的里程碑，意味着机器学习工具开始在医疗实践中产生重要影响，该研究能帮助医生选择早期肺癌的治疗方法，将有利于推动精准医疗。

3D卷积神经网络DenseSharp在医学影像领域的应用

论文“3D Deep Learning from CT Scans Predicts Tumor Invasiveness of Subcentimeter Pulmonary Adenocarcinomas”于2018年10月2日在线发表，文章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，并通过多任务的卷积神经网络对亚厘米肺腺癌的浸润风险程度进行自动术前预测。通过建立医疗影像上的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。为推进可复现的人工智能研究，基于Keras的模型代码开源（Apache-2.0 License）在https://github.com/duducheng/DenseSharp。

CT影像预测早期肿瘤病理浸润，深度学习超过放射专家水平

在128例测试集上，多任务深度学习模型预测的结果优于4位放射科医生（两位高年资医师和两位低年资医生）的评价结果；我们训练的多任务深度学习模型在区分浸润/非浸润两分类的准确率达到了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）。需要说明的是，本文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%，而我们的深度学习的准确率可达到63.3%，由此可见深度学习在处理这类问题时的优势与前景。本文从构思到发表，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，点内的联合研究团队只用了不到9个月时间便完成了算法开发测试及论文发表工作。

华东医院“张国桢肺微小结节诊治中心”

本文提供的大量病理、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<>,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。本次该团队的人工智能在亚厘米肺癌的应用论文的发表，也将有力提高高危人群肺癌筛查的有效性及准确性。

点内科技瞄准精准医疗，用CT＋AI预测病理结果