神经网络可以确定肺癌的严重程度

计算机断层扫描(CT)是评估肺癌患者的主要诊断工具。现在，斯坦福大学由nibib资助的研究人员创造了一种人工神经网络，可以分析肺部CT扫描，提供肺癌严重程度的信息，从而指导治疗方案。

CT成像是一种重要的诊断工具，测量的位置，范围，大小和形状肺病变用于指导肺病人的治疗决定癌症——全球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内容，而解读器的差异性导致不同肿瘤中心的临床护理存在差异。

一个多学科的专家小组生物医学信息学、放射学、数据科学、电气工程和放射肿瘤学合作创建了一个名为LungNet的机器学习神经网络，旨在从患者的肺部CT扫描中获得一致、快速和准确的信息。该研究小组使用的是非小细胞肺癌(NSCLC)成人患者的扫描数据，非小细胞肺癌占肺癌确诊病例的85%。

LungNet展示了直接设计和训练机器学习工具的好处医学图像图像处理、视觉感知和显示NIBIB项目主任段琦博士说。“这是一个很好的例子，说明机器学习技术可以成为一种具有成本效益的方法，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医学助理教授Olivier Gevaert领导，他专注于利用多尺度生物医学数据开发用于生物医学决策支持的机器学习方法。

“定量图像分析已经证明放射图像，如肺癌患者的CT扫描，包含比放射学家观察到的更多的可挖掘信息，”Gevaert解释说。“使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是否可以被训练来准确和可重复地分析扫描结果，并提供一致的、有用的临床信息。”

的神经网络名为LungNet的研究人员对来自4个医疗中心的4个非小细胞肺癌患者独立队列进行了培训和评估，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率。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对结节进行分层。

该研究团队预计LungNet不仅在良性肿瘤和恶性肿瘤的分类方面，而且在将患者分为低、中、高风险组方面都具有极高的价值。这使得高危组患者的治疗得以加强，同时也减少了对低危组患者的不必要治疗。

研究结果发表在该杂志上自然机器智能。

---

---