騰訊優(yōu)圖推出卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法模型，被知名醫(yī)學(xué)期刊Oncologist收錄

　　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/皮膚病/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，騰訊覓影已與國內(nèi)超過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，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−(1−p1)(1−p2)…計(jì)算。(1−PN)，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。

　　二、研究結(jié)果：

　　首先，使用LUNA16和Kaggle數(shù)據(jù)對(duì)模型進(jìn)行預(yù)訓(xùn)練，收集來自廣東省人民醫(yī)院呼吸科放射科，中山大學(xué)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(jìn)行模型訓(xùn)練和驗(yàn)證。基于多中心影像數(shù)據(jù)訓(xùn)練后的模型診斷敏感性和特異性分別達(dá)到84.4%和83.0%，AUC為0.855。同時(shí)可以觀察到，隨著訓(xùn)練圖象樣本量的增加，模型整體檢測(cè)靈敏度，特異度以及AUC均增加。同時(shí)我們將該模型算法與Kaggle比賽中第一名算法(Kaggle模型)進(jìn)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(duì)結(jié)節(jié)直徑大小進(jìn)行亞組分析(0-10mm, 10-20mm, 20-30mm)比較，可以看到，三個(gè)亞組之間均無顯著統(tǒng)計(jì)學(xué)差異，提示該模型早期微結(jié)節(jié)中同樣具有較高診斷準(zhǔn)確率。此外可以看到，模型對(duì)于腺癌的診斷準(zhǔn)確率最高達(dá)到85.7%，可能是因?yàn)槭艿秸�體腺癌占比較高數(shù)據(jù)偏倚導(dǎo)致。

　　此外，我們同時(shí)基于前瞻性收集的50例肺部結(jié)節(jié)CT進(jìn)行了人機(jī)對(duì)比，比較了醫(yī)師團(tuán)隊(duì)，預(yù)訓(xùn)練模型，訓(xùn)練后模型以及Kaggle第一位模型算法的診斷效力，可以看到預(yù)訓(xùn)練模型與醫(yī)師團(tuán)隊(duì)評(píng)估結(jié)果相近，相比于Kaggle第一位算法兩者均具有更高準(zhǔn)確性，而該訓(xùn)練后模型無論在靈敏度(96.0%)，特異度(88.0%)抑或是準(zhǔn)確度(92.0%)上均較其它三者具有更高的診斷效力。

　　三、結(jié)論與討論：

　　在這項(xiàng)研究中，深度學(xué)習(xí)算法應(yīng)用于肺結(jié)節(jié)臨床檢出與診斷的可行性得到驗(yàn)證，尤其該模型在結(jié)節(jié)檢測(cè)和分類的能力上表現(xiàn)出了優(yōu)勢(shì)。此外，通過與實(shí)際人工檢測(cè)團(tuán)隊(duì)，Kaggle排行第一的算法比較，模型使用的CNN算法在結(jié)節(jié)分類能力上也具有相當(dāng)不錯(cuò)的表現(xiàn)。

　　不同于未使用真實(shí)世界數(shù)據(jù)或病理結(jié)果對(duì)模型進(jìn)行深入驗(yàn)證的研究，該研究使用改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)和具有病理金標(biāo)準(zhǔn)標(biāo)簽的大數(shù)據(jù)集(855例)，對(duì)基于深度學(xué)習(xí)的模型的應(yīng)用進(jìn)行了優(yōu)化，并將其推廣到真實(shí)醫(yī)療環(huán)境中，使其敏感性和特異性達(dá)到了84.4%和83.0%，最大限度地降低了假陽性和假陰性結(jié)果。此外，亞組分析顯示，其對(duì)微小結(jié)節(jié)的檢測(cè)效率(0-10mm)與一般結(jié)節(jié)(10-30mm)具有同等診斷效力。

　　同時(shí)，該模型的診斷能力也比既往報(bào)道的計(jì)算機(jī)輔助結(jié)節(jié)檢測(cè)工具有更高的敏感度和特異度，同時(shí)該模型隨著數(shù)據(jù)的增加，能進(jìn)一步優(yōu)化其診斷鑒別效能。當(dāng)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(jié)節(jié)均為臨床診斷早期肺結(jié)節(jié)，并非來自于篩查隊(duì)列的數(shù)據(jù)，可能無法更真實(shí)反映該模型在早期篩查中應(yīng)用實(shí)際效能;其次我們?nèi)匀粺o法很好區(qū)分出進(jìn)展緩慢的早期結(jié)節(jié)，可能需要更多多次隨訪影像資料的納入以更好對(duì)早期篩查患者進(jìn)行分層及指導(dǎo)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(jī)器學(xué)習(xí)樣本量仍然較少，還需要在更大樣本量隊(duì)列中進(jìn)一步驗(yàn)證。

　　這項(xiàng)研究使用基于深度學(xué)習(xí)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(jīng)驗(yàn)豐富的專科醫(yī)師團(tuán)隊(duì)更優(yōu)，顯示出今后應(yīng)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(shí)提高早期結(jié)節(jié)檢出率及診斷率，使更多患者能夠得到早期治療干預(yù)，達(dá)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(yàn)證的單位(排名不分先后)：廣東省人民醫(yī)院，中山大學(xué)腫瘤防治所，中山大學(xué)附屬第一醫(yī)院，中山大學(xué)附屬第三醫(yī)院，中山大學(xué)附屬第五醫(yī)院，中山大學(xué)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(xué)第三醫(yī)院，盛京醫(yī)院，天津總醫(yī)院，天津腫瘤醫(yī)院，復(fù)旦大學(xué)腫瘤醫(yī)院，復(fù)旦大學(xué)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。