北京時(shí)間5月30日，并列于RSNA旗下國際放射學(xué)頂級(jí)期刊《Radiology》，在AI領(lǐng)域的新刊《Radiology：Artificial Intelligence》收錄了名為《Evaluating a Fully Automated Pulmonary Nodule Detection Approach and Its Impact on Radiologist Performance（全自動(dòng)肺結(jié)節(jié)檢測(cè)方法及其對(duì)影像科醫(yī)生的影響評(píng)估）》的科研成果。

本次研究由中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì)候任主任委員、上海長征醫(yī)院影像醫(yī)學(xué)與核醫(yī)學(xué)科主任劉士遠(yuǎn)教授團(tuán)隊(duì)與推想科技科研團(tuán)隊(duì)合作推進(jìn)。文中提出的深度學(xué)習(xí)模型可以提升不同類別肺結(jié)節(jié)檢出的靈敏度，且不受輻射劑量、患者年齡或放射設(shè)備品牌影響。同時(shí)，該模型可提升人工檢測(cè)靈敏度并減少閱片時(shí)間。

研究過程中，合作團(tuán)隊(duì)從國內(nèi)多家頂級(jí)醫(yī)院共回顧性收集13，159張薄層CT圖像，并把滿足入組標(biāo)準(zhǔn)的12，754張圖像隨機(jī)分為“訓(xùn)練＋驗(yàn)證集”（91．1％）和“測(cè)試集”（8．9％），用以評(píng)估深度學(xué)習(xí)模型。

基于推想科技AI學(xué)者科研平臺(tái)InferScholar Center，研究人員將兩個(gè)CNN模型組成一個(gè)深度學(xué)習(xí)模型神經(jīng)網(wǎng)絡(luò)，一個(gè)是作為特征提取器的DenseNet模型， 另一個(gè)是作為探測(cè)器的Faster R－CNN 模型。在這個(gè)模型中， DenseNet被用于特征提取和反向傳播。

不同于常規(guī)CNN， DenseNet可直接被連接而形成密集的連接網(wǎng)絡(luò)，這樣可以減少神經(jīng)網(wǎng)絡(luò)層數(shù)， 保持特征密度，提高模型的整體表現(xiàn)力。在研究過程中，測(cè)試數(shù)據(jù)中包含了在真實(shí)臨床環(huán)境下存在的隊(duì)列設(shè)計(jì)：不同的輻射劑量（低劑量和標(biāo)準(zhǔn)劑量）、患者年齡（3個(gè)年齡組）和放射設(shè)備品牌（4個(gè)品牌設(shè)備）。

通過與高年資醫(yī)生雙盲實(shí)驗(yàn)設(shè)定的金標(biāo)準(zhǔn)對(duì)比，本文中提出的深度學(xué)習(xí)模型相較于人工檢測(cè)肺結(jié)節(jié)的靈敏度有所提高。自由響應(yīng)受試者工作特征曲線（FROC）表現(xiàn)出高達(dá)0．86的靈敏度（每掃描包含8個(gè)假陽）。同時(shí)模型的平均表現(xiàn)與輻射劑量、患者年齡、設(shè)備品牌均無統(tǒng)計(jì)上的敏感性聯(lián)系。

此外，研究還比較了放射科醫(yī)生在深度學(xué)習(xí)模型幫助下的表現(xiàn)。兩位獨(dú)立的放射科醫(yī)生首先在不使用深度學(xué)習(xí)模型的情況下單獨(dú)閱片，然后在二次讀片期間使用深度學(xué)習(xí)模型作為輔助。

測(cè)試發(fā)現(xiàn)，兩位放射科醫(yī)生在使用深度學(xué)習(xí)模型后檢測(cè)的靈敏度在所有類型的結(jié)節(jié)中都得到了提高；與不使用深度學(xué)習(xí)模型的醫(yī)生相比相比， 兩位放射科醫(yī)生的閱讀時(shí)間更短。

同時(shí)，根據(jù)患者水平檢測(cè)LROC曲線顯示， 在深度學(xué)習(xí)的輔助下， 放射科醫(yī)生診斷的靈敏度得到了提高，并且具有較高的特異性和敏感性。

該研究成果的發(fā)表，意味著上海長征醫(yī)院與推想科技聯(lián)合研發(fā)的深度學(xué)習(xí)模型不僅具有極高的性能表現(xiàn)，可以作為輔助工具幫助放射科醫(yī)生大幅提升工作效率和準(zhǔn)確率，更重要的是可以將外界因素（輻射劑量、患者年齡、設(shè)備品牌）的影響降到最低，具有極強(qiáng)的魯棒性。這對(duì)于降低患者的輻射損害、節(jié)約醫(yī)療成本等方面均具有重要的意義。

總的來說，此次研究再次表明深度學(xué)習(xí)定制化模型對(duì)于臨床實(shí)際問題解決的重要性，這也正是推想AI學(xué)者科研平臺(tái)InferScholar Center的使命。