原创 Cell Press CellPress细胞科学 收录于话题#Cell Press对话科学家 148 个 #Patterns 14 个
交叉学科
Interdisciplinary
近日，中国香港城市大学张子钧团队在Cell Press细胞出版社旗下数据科学开放获取期刊Patterns上发表了一篇题为“Machine vision-assisted identification of the lung adenocarcinoma category and high-risk tumor area based on CT images”的新研究。
肺腺癌是最常见的肺癌类型，因此早期诊断至关重要。在本研究中，研究团队开发了一个整体机器视觉框架，能够自动分析CT图像并识别肺腺癌类别。该方法可为腺癌临床诊断提供可靠的辅助依据，并可用于CT图像高危区域的标记，从而确定CT特征与病理诊断的关系。并且这个方法可以作为一种利用CT图像进行腺癌识别的人工智能(AI)系统，这将使腺癌诊断从传统的基于专家的分析升级到自动化的AI辅助方式。
研究亮点
1. 利用CT图像研究机器视觉辅助肺腺癌的分类；
2. 设计了一个整体的机器视觉框架，提高了分类性能；
3. 该方法优于著名的深度CNNs和医学影像分类方法；
4. 该方法更好地解释了CT分型与病理诊断之间的关系。
研究简介
计算机断层扫描（CT）是一种应用广泛的医学成像技术。CT与病理检查结果的结合对明确肺腺癌的诊断具有重要意义。在本研究中，一个包含双分支网络的信息提取程序（KDBBN）被开发用于辅助诊断肺腺癌。KDBBN可以根据肺CT图像自动识别腺癌类别，并检测最可能存在特定类型腺癌的病变区域。此外，为保证所建立的模型能适用于不同的数据库还建立了信息提取程序。研究者综合计算研究的结果证实，此方法为腺癌诊断提供了可靠的依据，完善了病理检查。同时，KDBBN标记的高危区域与医生在临床诊断中标记的相关病变区域高度吻合。
作者专访
Cell Press特别邀请张子钧博士代表研究团队进行专访，
请他为大家进一步详细解读。
CellPress：
请问您在研究过程中遇到了哪些困难，又是如何克服的？
张子钧博士：
研究过程中的困难有许多，我印象比较深刻的主要有两个。一次是在我们早期测试经典模型的过程中，发现由于肺腺癌类型样本极度不平衡，很多经典模型会直接粗暴地将它们归为一类。但是当我们将传统的解决不平衡问题的方法应用于传统机器学习模型和深度模型时，效果却不一定好，而且这些方法常常会改变CT图像与病灶的关系，导致结果的可解释性变差。所以我们就放弃了这些传统方法，考虑了双分支的网络结构，用其中一个分支专门解决不平衡问题，另一个分支则代表神经网络自动学习到的CT图像数据集的表征信息。
另一个是我们模型的泛化性验证，首先含有肺腺癌CT图像分类信息的公共数据集很少，我们必须从很多数据集、网站和论文中将零散的图片整合到一起。这个工作很繁杂，而且导致了外界测试集数据量小且没有统一的标准，所以我们很难简单地将原有模型微调后移植。为了解决这一问题，我们考虑了知识蒸馏中的self-distillation方法，把模型变成半监督的形式，从而扩大可使用的验证数据量。
CellPress：
张子钧博士：
我们在南方医院采集的样本中采用了k折交叉验证的方法，每次验证606张CT图像。我们还通过从外部多个公共资源收集的数据集来验证我们的发现，两个外部验证集分别有670和316张图像。
CellPress：
该技术是否只能用在CT影像中，在无法使用CT诊断的疾病中是否有考虑开发AI识别的方法来辅助疾病的诊断？
张子钧博士：
并不只可以用于CT图像，凡是图像上有相关病灶的疾病理论上都是可行的，尤其适合类别不平衡的病症。我们目前也在尝试将AI识别应用于与图像没有直接关系的疾病，通过计算灰度、肺的体积等其他相关量。
CellPress：
您认为AI全面应用于影像学的诊断，还有多长的路要走？
张子钧博士：
我认为如果仅仅是AI辅助医生进行影像学诊断，目前的各种模型已经可以做到，主要是需要开发更便于使用的前端以及尽量降低使用难度和成本。如果需要替代医生进行诊断，则需要更高的精度，以及考虑一些现实的法律问题，比如罕见病误诊如何负法律责任等等。
CellPress：
现在是只用于肺腺癌分类吗？有试过肺鳞癌的分辨效果吗？
张子钧博士：
目前只是应用于肺腺癌，暂时没有在肺鳞癌数据上进行测试。肺鳞癌分类不能直接将现在的模型移植到小规模数据集上，需要较多的数据进行训练。
CellPress：
基于该研究的成果，后续研究还有哪些工作要进行？团队下一步的研究方向有哪些？
张子钧博士：
作者简介
张子钧
博士
张子钧博士在美国爱荷华城大学获得博士学位。目前担任中国香港城市大学数据科学学院副教授和系统信息学工程中心副主任。他的研究重点是数据挖掘和计算智能方法，以及在多种学科领域内的应用。
张子钧博士现已加入Patterns期刊编委会，扫描下图二维码查看编委会全部成员。
研究成果发表在Cell Press旗下Patterns期刊上，点击“阅读全文”或扫描下方二维码查看论文。
▌论文标题：
Machine vision-assisted identification of the lung adenocarcinoma category and high-risk tumor area based on CT images
▌论文网址：
▌DOI：
1974年，我们出版了首本旗舰期刊《细胞》。如今，CellPress已发展为拥有50多本期刊的全科学领域国际前沿学术出版社。我们坚信，科学的力量将永远造福人类。
CellPress细胞出版社
原标题：《Patterns：中国香港城大张子钧团队机器视觉辅助肺腺癌类型及高危肿瘤区域辨认 | Cell Press对话科学家》