近日获悉，点内科技、复旦大学附属华东医院“张国桢肺微小结节诊治中心”和上海交通大学“SJTU－UCLA机器感知与推理联合研究中心”组成联合研究团队的共同合作科研成果“3D Deep Learning from CT Scans Predicts Tumor Invasiveness of Subcentimeter Pulmonary Adenocarcinomas ”发表于美国癌症研究协会（American Association for Cancer Research，AACR）会刊《Cancer Research》，这一杂志在2017年的影响因子为9．13。

论文截图

该文章与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数据和其病例结果标注进行训练，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，并建立医疗影像上的任务谱降低模型的学习难度，迁移泛化能力、稳定性和可靠性。该研究能帮助医生选择早期肺癌的治疗方法，将有效推动精准医疗发展。

复旦大学华东医院李铭教授谈到了肺癌的现状：“我国属于肺癌高发国家，5年生存率低于20％，死亡率在所有癌症中位列第一的位置。其原因来源于国内的患者缺乏早筛意识，患者发现肺癌时往往已是中晚期，以现在的医疗水平治疗乏力。同时，高昂的医疗费用不仅让患者家庭入不敷出，相应的医疗保险也为国家带来了巨大的负担。所以，我国已经发布多个政策试图将患者下放至基层，这个过程需要人工智能进行辅助。”

然而，国内肺结节公司众多，虽图像识别的准确率相差无几，但整个诊断流程良莠不齐。为在整个产业中脱颖而出，点内科技尝试用多分类的方式将肺结节划分为AAH、AIS、MIA、IA四个亚类，给出早期浸润程度建议，更为深入的探究患者肺结节的情况。

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。该模型在区分浸润／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）。

该研究中使用的亚厘米肺结节数据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％，而点内的深度学习准确率可达到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。