近日獲悉，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”組成聯合研究團隊的共同合作科研成果“3D Deep Learning from CT Scans Predicts Tumor Invasiveness of Subcentimeter Pulmonary Adenocarcinomas ”發表于美國癌癥研究協會（American Association for Cancer Research，AACR）會刊《Cancer Research》，這一雜志在2017年的影響因子為9．13。

論文截圖

該文章與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注的亞厘米肺腺癌CT數據和其病例結果標注進行訓練，通過多任務的卷積神經網絡對亞厘米肺腺癌的浸潤風險程度進行自動術前預測，并建立醫療影像上的任務譜降低模型的學習難度，遷移泛化能力、穩定性和可靠性。該研究能幫助醫生選擇早期肺癌的治療方法，將有效推動精準醫療發展。

復旦大學華東醫院李銘教授談到了肺癌的現狀：“我國屬于肺癌高發國家，5年生存率低于20％，死亡率在所有癌癥中位列第一的位置。其原因來源于國內的患者缺乏早篩意識，患者發現肺癌時往往已是中晚期，以現在的醫療水平治療乏力。同時，高昂的醫療費用不僅讓患者家庭入不敷出，相應的醫療保險也為國家帶來了巨大的負擔。所以，我國已經發布多個政策試圖將患者下放至基層，這個過程需要人工智能進行輔助。”

然而，國內肺結節公司眾多，雖圖像識別的準確率相差無幾，但整個診斷流程良莠不齊。為在整個產業中脫穎而出，點內科技嘗試用多分類的方式將肺結節劃分為AAH、AIS、MIA、IA四個亞類，給出早期浸潤程度建議，更為深入的探究患者肺結節的情況。

在128例測試集上，多任務深度學習模型預測的結果優于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。該模型在區分浸潤／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）。

該研究中使用的亞厘米肺結節數據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圖像上由于傳統的惡性征象較少出現，浸潤前病變和浸潤性病變影像表現重疊較高等特征，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％，而點內的深度學習準確率可達到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，經歷了數據采集、像素級標注、數據處理、模型開發訓練、模型測試、公共數據集申請、下載、標注、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個月時間便完成了算法開發測試及論文發表工作。