人工智能輔助診斷技術在低劑量肺癌篩查中的應用
來自上海長征醫院影像科的李清楚醫生在2019年11月7日舉辦的第27次全國醫學影像技術學學術大會暨山東省第14次放射技術學學術大會上，發表了題為《人工智能輔助診斷技術在低劑量肺癌篩查中的應用》專題講座，向來自全國各省的放射及呼吸科專家醫生介紹了杏脈最新的研究成果“基于深度學習的肺結節檢出之泛化性研究”在肺癌疾病治療中的落地應用及發展前景。同時，題為《Detectability of pulmonary nodules by deep learning: results from a phantom study》的該篇論文也已經在Chin.J.Acad.Radiol.同步發表。
杏脈科技發布最新研究成果——基于深度學習的肺結節檢出之泛化性研究
2011年至今，隨著大數據、云計算、互聯網、物聯網等信息技術的發展，泛在感知數據和圖形處理器等計算平臺推動以深度神經網絡為代表的人工智能技術飛速發展，大幅跨越了科學與應用之間的“技術鴻溝”，諸如圖像分類、語音識別、知識問答、人機對弈、無人駕駛等人工智能技術實現了從“不能用、不好用”到“可以用”的技術突破，迎來爆發式增長的新高潮。
醫療行業是未來人工智能應用的重要領域，擁有巨大的發展空間。杏脈科技作為在醫療人工智能領域具有強開拓性的高科技企業，一直致力于為實際臨床需求提出對應的解決方案。杏脈科技的基于深度學習的肺結節檢出之泛化性研究成果旨在研究肺結節大小、密度、掃描劑量、切片厚度和重建方法是如何對體膜CT掃描中檢測肺結節的深度學習（Deep Learning）模型的性能產生影響的。通過兩種不同密度和五種不同尺寸的肺結節體膜進行掃描及重建CT數據，利用三種不同的管電流，對兩種不同切片厚度，進行四種不同的重構方法。深度學習模型的評估側重于檢測的準確度和敏感度。
根據研究的統計結果，我們發現準確度和敏感度能取決于結節大小，結節類型，管電流，重建方法和圖像厚度。比較固體結節（100 HU）和毛玻璃（GGO，? 630 HU）結節體模，實心結節體模預測很少受電子管電流，重建方法和結節大小的影響。在所有實心結節體模中，準確度和敏感度均接近100％。在多數情況下，尺寸越大、管電流越高可以使磨玻璃結節體膜提供更高的準確度和敏感度。
此外，研究還分析了圖像切片厚度與重建方法之間的關系，厚度為1mm圖像在iDose4-STD和FBP-STD的準確度和敏感度數值上都顯示出更好的結果。而厚度為2mm圖像在iDose-YA和FBP-YA表現更優。因此，研究結論表明，深度學習模型具有很高的穩定性及泛化性，可使用于日常臨床診斷及疾病篩查。
杏脈科技基于深度學習的肺結節檢出之泛化性研究，開發了肺結節人工智能影像輔助診斷系統，可在CT掃描圖像基礎上，通過人工智能深度學習技術，實現一鍵跳轉感興趣的結節、按需隱藏/顯示結節、排序結節、結節測量、結節的結構化報告等功能。
杏脈科技總裁房劬表示：長期以來醫學界對人工智能的質疑很大程度上來自于AI軟件魯棒性不強，泛化能力差的固有認知，認為相對于人類醫生，機器的學習量大，速度快，但缺少舉一反三的能力。針對這樣的問題，杏脈科技創造性地將深度學習算法與醫學先驗知識融合，并根據對設備重建參數的理解，讓模型在有限的訓練數據量下，有了對大規模真實世界數據的適應能力，從而提升了泛化性能。醫學本身的豐富度和多樣性對醫療AI是一種挑戰，最終能被醫療工作者廣泛認可的一定是那些更“聰明”的產品。