點內科技、華東醫院及上海交大合著論文：3D深度學習在CT影像預測早期腫瘤浸潤方面超過影像專家

機器之心發布

來源：點內科技

本研究利用高效的、多任務的 3D 卷積神經網路 DenseSharp，同時進行分類和分割，旨在研究從 CT 影像預測早期腫瘤病理浸潤深度學習和放射專家的準確度。

點內科技、復旦大學附屬華東醫院「張國楨肺微小結節診治中心」和上海交通大學「SJTU-UCLA 機器感知與推理聯合研究中心」組成的聯合研究團隊共同合作的科研成果「3D Deep Learning from CT Scans Predicts Tumor Invasiveness of Subcentimeter Pulmonary Adenocarcinomas」發表於美國癌症研究協會（American Association for Cancer Research，AACR）會刊《Cancer Research》期刊上，華東醫院李銘教授為本篇論文的通訊作者，趙偉博士和楊健程博士為共同第一作者。

《Cancer Research》創辦於 1916 年，為國際腫瘤研究領域引用率最高的權威期刊之一，主要發表包括基礎研究、臨床前及臨床、腫瘤預防及生物治療在內的腫瘤學原創研究論文和綜述文章，具有很高的國際影響力，2017 年影響因子高達 9.13。這一成果的發布是 AI 醫療領域重要的里程碑，意味著機器學習工具開始在醫療實踐中產生重要影響，該研究能幫助醫生選擇早期肺癌的治療方法，將有利於推動精準醫療。

3D 卷積神經網路 DenseSharp 在醫學影像領域的應用

論文「3D Deep Learning from CT Scans Predicts Tumor Invasiveness of Subcentimeter Pulmonary Adenocarcinomas」於 2018 年 10 月 2 日在線發表，文章利用深度學習的方法對像素級標註的亞厘米肺腺癌 CT 數據和其病理結果標註進行訓練，並通過多任務的卷積神經網路對亞厘米肺腺癌的浸潤風險程度進行自動術前預測。通過建立醫療影像上的 taskonomy（任務譜），逐步使醫療影像的研究脫離西西弗斯式的悲劇（Sisyphean challenge），合理的任務配置將會極大降低模型的學習難度、遷移泛化能力、穩定性和可靠性。該模型基於 3D DenseNets，配合多任務學習，是參數高效（parameter-efficient）的 3D 卷積神經網路。訓練完成後，模型只需要常規的 CT 數據，不需要肺結節分割、大小以及任何預先定義的信息。我們的多任務學習模型顯著優於單任務模型，並且 3D 模型也顯著優於其 2D 變種。為推進可復現的人工智慧研究，基於 Keras 的模型代碼開源（Apache-2.0 License）在 https://github.com/duducheng/DenseSharp。

在 128 例測試集上，多任務深度學習模型預測的結果優於 4 位放射科醫生（兩位高年資醫師和兩位低年資醫生）的評價結果；我們訓練的多任務深度學習模型在區分浸潤/非浸潤兩分類的準確率達到了 78.8%（AUC），區分 IAC/非 IAC（0 期/I 期）兩分類的準確率達到了 88.0%（AUC），區分 AAH-AIS/MIA/IAC 三分類的準確率達到了 63.3%（F1）。需要說明的是，本文納入的亞厘米肺結節大部分為肺磨玻璃結節，這種類型的結節，特別是亞厘米磨玻璃結節，在 CT 圖像上由於傳統的惡性徵象較少出現，浸潤前病變和浸潤性病變影像表現重疊較高等特徵，診斷十分困難，在三分類的診斷上，高年資醫師的診斷正確率也只有 56.6%，而我們的深度學習的準確率可達到 63.3%，由此可見深度學習在處理這類問題時的優勢與前景。本文從構思到發表，經歷了數據採集、像素級標註、數據處理、模型開發訓練、模型測試、公共數據集申請、下載、標註、測試、論文的攥寫、修改、同行評閱、修回等過程，點內的聯合研究團隊只用了不到 9 個月時間便完成了演算法開發測試及論文發表工作。

參考鏈接：

http://cancerres.aacrjournals.org/content/early/2018/10/02/0008-5472.CAN-18-0696

本文為機器之心發布，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！