中佛罗里达大学开发的AI发现早期肺癌的敏感性高达97％

编译：chux

出品：ATYUN订阅号

根据美国癌症协会的数据，肺癌是癌症死亡的主要原因。每年大约154000人死于肺癌，并且患肺癌的终身风险高达15分之一。

成功的患者结果取决于早期发现，在肺癌扩散后诊断出的新患者中，有一半患者会生存五年。幸运的是，AI的进步可以使临床医生更容易更准确地发现肿瘤生长的迹象。

最近中佛罗里达大学发表的一篇论文“Single-Shot Single-Scale Lung Nodule Detection”详细介绍了一种用于肺部检测的深度学习方法。使用卷积神经网络（CNN）模拟人类大脑中神经元行为的分层机器学习模型，中佛罗里达大学计算机视觉研究中心（CRCV）的研究人员能够识别肺癌的小结节灵敏度为95％至97％。

他们的工作建立在9月份纽约大学研究人员的基础之上，他们重新研究了谷歌的Inception v3，这是一个用于物体识别的开源卷积神经网络，能够以97％的准确率检测某些形式的肺癌。

“我们的方法使用单个网络的单前馈传递进行检测，并与当前文献相比提供更好的性能，”该团队写道。“我们使用了公开的扫描，并表明所提出的方法在效率和准确性方面都优于当前的文献，据我们所知，这是首个一步完成肺结节检测的研究。”

研究人员的系统，称为S4ND，将输入数据计算机断层扫描（CT）分成一个细胞网格，并同时对所有细胞进行分类。其36个卷积层（包括五个“密集连接”的六层块）考虑了整个扫描的上下文信息，以预测细胞中结节的存在，其中一些细胞的尺寸小于3mm。

研究人员在一台带有64GB内存的Nvidia Titan XP GPU工作站上训练了S4ND，为Luna数据集提供了888次CT扫描。然后进行采样，以便节点出现在随机位置（避免偏见）。他们通过再次扫描来测试其准确性，但这次在四个方向上移动了32个像素。

结果如何呢？研究人员写道，S4ND在处理结节的纹理，形状和位置变化方面明显优于传统的计算机辅助检测系统，并且更容易协调大型搜索空间（即整个肺部）与之间的差异。相对较小的节点。

研究人员写道。“我们通过实验验证了提出的网络在公开可用的LUNA数据集上的性能，并与自然目标探测器网络以及最先进的肺结节检测方法进行了广泛的比较。将诊断阶段与检测相结合将是未来的发展方向。”