我中心研究员周静团队联合北京朝阳医院、中南大学湘雅三医院等多家医院在《Npj Digital Medicine》（2023 JCR IF：15.2）发表论文。该研究主要提出了一种集成多视野的三维卷积神经网络（EMV-3D-CNN）模型用来对肺癌风险进行分级。肺癌一直是全球威胁人类健康最常见的癌症之一，它也是导致癌症相关死亡的主要原因，约占全部癌症相关死亡的18%。在中国，2020年肺癌发病率和癌症相关死亡率在所有癌症中位居第一位，总体5年生存率约为30%。近年来，随着低剂量计算机断层扫描（Computed Tomography, CT）在肺癌筛查中的普及，更多早期肺癌被发现。而快速发展的人工智能技术，可以让研究人员基于大量历史CT数据，通过设计新颖的深度学习模型来判断肺结节的病灶类型。然而，之前的研究主要关注预测结节的良恶性，缺乏对浸润性腺癌风险分层的预测研究。

本研究从实际的临床问题出发，系统解决了在临床实践中，肺结节诊断的三个重要问题。分别是：

1、结节良恶性鉴别？该问题的解决主要回答患者要不要进行手术的问题。

2、可疑恶性结节是否为浸润性肺癌？该问题的解决主要回答患者何时做手术的问题。

3、浸润性肺癌的病理风险分级？该问题的解决能回答患者采取何种手术方式，需要切除多大范围。

我们将以上三个问题称之为肺结节诊断的3W问题（Whether，When and Which），为了解决以上问题，本研究提出了一个三阶段的EMV-3D-CNN模型。我们的模型在诊断良/恶性结节和浸润前病变/浸润性病变方面分别获得了91.3%和92.9%的AUC。尤其值得注意的是，我们的模型在浸润性腺癌的风险分级预测方面要优于影像科医生的判断，准确率达到了77.6%（即对浸润性腺癌进行的高、中、低分化三个分类）。最后，为了方便医生和患者访问，我们将提出的模型实现为基于Web的系统（https://seeyourlung.com.cn）。

有关该平台的具体操作视频读者可以访问https://www.bilibili.com/video/BV1ch411w7zP/?vd_source=""c119f4328157bf56167596e497833c71。

论文题目

An ensemble deep learning model for risk stratification of invasive lung adenocarcinoma using thin-slice CT

文章摘要

Lung cancer screening using computed tomography (CT) has increased the detection rate of small pulmonary nodules and early-stage lung adenocarcinoma. It would be clinically meaningful to accurate assessment of the nodule histology by CT scans with advanced deep learning algorithms. However, recent studies mainly focus on predicting benign and malignant nodules, lacking of model for the risk stratification of invasive adenocarcinoma. We propose an ensemble multi-view 3D convolutional neural network (EMV-3D-CNN) model to study the risk stratification of lung adenocarcinoma. We include 1075 lung nodules (≤30 mm and ≥4 mm) with preoperative thin-section CT scans and definite pathology confirmed by surgery. Our model achieves a state-of-art performance of 91.3% and 92.9% AUC for diagnosis of benign/malignant and pre-invasive/invasive nodules, respectively. Importantly, our model outperforms senior doctors in risk stratification of invasive adenocarcinoma with 77.6% accuracy [i.e., Grades 1, 2, 3]). It provides detailed predictive histological information for the surgical management of pulmonary nodules. Finally, for user-friendly access, the proposed model is implemented as a web-based system (https://seeyourlung.com.cn).

作者介绍

周静（第一作者），中国人民大学统计学院副教授、博士研究生导师，应用统计科学研究中心研究员，中国人民大学健康大数据研究院副院长，研究方向为社交网络数据建模、人工智能在肺癌辅助诊断中的应用等。

冀瑛（通讯作者），首都医科大学附属北京朝阳医院胸外科主治医师，北京协和医学院肿瘤学博士。专攻肺外科手术。主要研究方向为人工智能精准医疗应用研究、早期肺癌及多原发肺癌的微创外科研究等。

特别感谢参与到本研究中的2018级中国人民大学统计学院数据科学与大数据技术专业本科生邵含蝶（目前为东京大学硕士一年级学生）以及2022级中国人民大学统计学院硕士研究生付小桐。

论文发表截图