神经网络可以确定肺癌的严重程度

二维空间的LungNet预测可视化显示，高危组患者与低危组患者聚集在一起。低危患者病变以形状规则、均匀的结节为特征。高危组结节边缘尖锐、不规则。

资料来源:Mukherjee等人，《自然机器智能》，2020年5月

CT成像是否有一个重要的诊断工具来测量肺部病变的位置、范围、大小和形状来指导患者的治疗决定肺癌——全世界成年人中最常见的致命恶性肿瘤。然而，CT图像的分析仅限于肉眼可见的部分，而读者的差异导致了不同地区临床护理的差异肿瘤学中心。

一个多学科的生物医学信息学专家小组，放射学LungNet是一种机器学习神经网络，旨在从患者的肺部CT扫描中获得一致、快速和准确的信息。该小组研究了非小细胞肺癌(NSCLC)成人的扫描结果，NSCLC占肺癌诊断的85%。

LungNet展示了设计和培训的好处机器学习NIBIB图像处理、视觉感知和显示项目主任段琦博士说。“这是一个杰出的例子，表明机器学习技术可以成为一种成本效益高的方法，以推进疾病检测、诊断和治疗。”

该研究小组由斯坦福大学生物医学信息学研究助理教授Olivier Gevaert领导，他专门研究利用多尺度生物医学数据为生物医学决策提供支持的机器学习方法。Gevaert解释说:“定量图像分析已经证明，放射图像，如肺癌患者的CT扫描，比放射学家观察到的包含更多可挖掘的信息。”“利用来自几个不同肿瘤诊所的CT图像数据集，我们开始确定我们的神经网络通过训练，可以准确、重复地分析扫描结果，并提供一致、有用的临床信息。”

这种名为LungNet的神经网络在四个医疗中心的四个独立非小细胞肺癌患者队列中进行训练和评估，每个中心平均有数百名患者。LungNet分析准确预测了所有四组患者的总生存期。LungNet还能准确地对良性和恶性结节进行分类，并能根据癌症进展进一步分层结节。

研究团队希望LungNet不仅在良性肿瘤和恶性肿瘤的分类上非常有价值，而且在将患者划分为低、中、高风险组方面也非常有价值。这允许加强对高危组患者的治疗，并减少对低风险组患者的不必要治疗。