肺癌预后极差，我国肺癌的 5 年生存率仅为 16.1%。2015 年，我国肺癌的发病和死亡例数分别达 733,300 人和 610,200 人，发病率和死亡率非常接近，其原因主要是由于临床诊断病例多已为晚期，失去了手术机会。
因此，肺癌的早期诊断和早期治疗是提高肺癌生存、降低肺癌死亡率的重要措施。
我国于 2009 年启动了肺癌高危人群筛查工作。2011 年，美国国家肺癌筛查试验（National Lung Screening Trial, NLST）结果首次表明，在高危人群中，低剂量螺旋 CT（Low-dose computed tomography, LDCT）相比 X 线胸片可带来降低 20%肺癌死亡率的生存获益。
2015 年，基于 NLST 的研究结果及我国肺癌筛查技术方案制定了中国低剂量螺旋 CT 肺癌筛查指南（2015 版），并于 2018 年修订更新。
随着低剂量螺旋 CT（LDCT）的普及，一方面使肺癌患者得以早诊早治，提高治愈率，另一方面 LDCT 仍存在一些问题。
将 CT 作为筛查手段仍存在较高假阳性率（即 CT 发现的结节可能不一定是恶性，或是极度惰性生长肿瘤）和假阴性率（CT 成像分辨率越来越高，提供的组织学信息越来越多，能够被检测的肺结节体积越来越小，给医师带来极大读片工作量，造成医师疲劳、分心，增加误判和漏判的概率）
近年来，人工智能在图像识别领域发展迅速，在医疗领域已广泛应用于皮肤病、糖尿病视网膜病变、影像学检查等领域，而 LDCT 带来的问题是否能通过人工智能得以解决，或者在多大程度上得到解决还有待探索。
因此，广东省肺癌研究所吴一龙教授/钟文昭教授团队联合国内多家中心，共同开发了基于卷积神经网络算法（机器学习算法一类）的肺结节诊断模型。据悉，该研究成果已被全球癌症领域知名医学期刊《肿瘤学家》（《THE Oncologist》）收录并全文发表。
研究方法：
图源：站酷海洛plus正版图片
研究采用了 3 个数据集分别进行建模、训练和验证的工作。
首先，开源的 LUNA16（Lung Nodule Analysis 2016 挑战赛）和 Kaggle（最大的数据科学平台）的肺部 CT 数据集用于卷积神经网络算法模型的建立；
然后，通过广东省人民医院、中山大学附属第三医院、佛山市第一人民医院、广州胸科医院 2015 年 5 月至 2016 年 10 月可获得原始影像数据和病理对照的 820 例病例资料对算法进行训练；
最后，通过广东省人民医院肺癌研究所, 呼吸科及放射科自 2017 年 1 月连续收集的 50 例有病理金标准明确良恶性的肺结节 CT 影像数据对训练好的模型进行验证。
并且研究邀请了 25 位国内多中心，经验丰富的专科医师团队（包括影像，胸外科，呼吸科，肿瘤科等）对这些用于验证的前瞻性 CT 片进行良恶性评估，最终评估的结果直接与训练建立的肺结节诊断模型的分析结果再次进行对比验证。
研究结果：
基于多中心影像数据训练后的模型诊断敏感性和特异性分别达到 84.4%和 83.0%，AUC 为 0.855。同时可以观察到，随着训练图象样本量的增加，模型整体检测灵敏度，特异度以及 AUC 均增加。
基于前瞻性收集的 50 例肺部结节 CT，研究分别对比了医师团队，预训练模型，训练后模型以及 Kaggle 第一位模型算法的诊断效力。
可以看到预训练模型与医师团队评估结果相近，相比于 Kaggle 第一位算法两者均具有更高准确性，而该训练后模型无论在灵敏度（96.0%），特异度（88.0%）抑或是准确度（92.0%）上均较其它三者具有更高的诊断效力。
不同于既往报道未使用真实世界数据或使用病理结果对模型进行深入验证的研究，这项研究使用改进的深度神经网络和具有病理金标准标签的大数据集，对基于深度学习的模型的应用进行了优化，并将其推广到真实医疗环境中，使其敏感性和特异性达到了 84.4%和 83.0%，最大限度地减少了假阳性和假阴性结果。
此外，亚组分析显示，其对小结节的检测效率（0-10mm）很高，同大结节（10-30mm）诊断效力类似。同时，该模型的诊断能力也比既往报道的计算机辅助结节检测工具有更高的敏感度和特异度，而且，该模型随着数据的增加，能进一步优化其诊断鉴别效能。
目前，该研究入组的肺结节均为临床诊断早期肺结节，并非来自于筛查队列的数据，可能无法完全反映该模型在早期筛查中应用实际效能。另外，该模型在区分出进展缓慢的早期结节方面的能力还不足，需要更多多次随访影像资料的纳入以更好对早期筛查患者进行分层及指导后续处理方案。
因此，该模型纳入的数据量样本量仍然有限，还需要在更大样本量中进一步验证。
在医疗图像识别领域，AI 的发展如火如荼，已广泛在皮肤病、糖尿病视网膜病变、影像学检查等领域开展各类型的探索。机器学习是目前 AI 的核心机制，往往需要大量的数据作为训练的基础。
在上述研究中，采用了国外的数据集和国内的多中心病例数据进行训练，得到了比较好的结果，而且研究也发现，随着数据的增加，能进一步优化其诊断鉴别效能。因此，更多临床机构的参与会推动研究的快速进展。
另外，医疗 AI 的发展是需要医学专业体系、人工智能技术算法体系、互联网应用技术体系，以及支持包含医生和患者在内的专业服务运营管理体系的共同支撑，以及学会、机构、企业等各方合作，才能得到临床医生的广泛应用，进而形成良性循环，实现可持续的发展。
编辑：decie | 责任编辑：王弘
投稿：decie@qq.com
题图：站酷海洛plus
推荐阅读：
基因突变与肿瘤：讲述它们的前世今生
参考文献：
1. 周清华, 范亚光, 王颖等. 中国肺癌低剂量螺旋CT筛查指南（2018年版）. 中国肺癌杂志. 2018年2月第21卷第2期.
2. Zhang C, Sun X, Dang K, Li K, Guo XW, Chang J, Yu ZQ, Huang FY, Wu YS, Liang Z, Liu ZY, Zhang XG, Gao XL, Huang SH, Qin J, Feng WN, Zhou T, Zhang YB, Fang WJ, Zhao MF, Yang XN, Zhou Q, Wu YL, Zhong WZ. Oncologist. 2019 Apr 17. pii: theoncologist.2018-0908. doi: 10.1634/theoncologist.2018-0908.
https://www.ncbi.nlm.nih.gov/pubmed/30996009