蘇州醫工所團隊實現早期肺癌淋巴結轉移精準無創診斷

　　肺癌是世界范圍內致死率最高的癌癥，目前臨床早期肺癌患者的首選治療方案是肺葉切除聯合系統性淋巴結清掃，但對于沒有淋巴結轉移的早期肺癌患者，淋巴結清掃將增加癌癥復發和術后并發癥的風險，甚至將導致淋巴水腫、神經損傷、氣胸等并發癥。因此，術前準確預測淋巴結轉移情況將有效避免不必要的淋巴結清掃手術，降低復發及并發癥發生風險，提升患者生存質量。

　　目前術前預測早期肺癌淋巴結轉移狀態主要依賴醫生基于CT影像經驗判斷，這種方法主觀、耗時且準確率不高（平均準確率為0.7左右）。團隊前期開發了一種用于提升早期肺癌淋巴結轉移診斷精度的跨模態信息融合的神經網絡架構，該方法雖然摒棄了影像組學對病灶人工圈定的依賴，但仍需臨床醫生人工注釋病灶征象：如毛刺、分葉、胸膜凹陷、原發灶密度等信息，模型智能化程度不足，臨床應用受限。此外，現階段人工智能技術在醫學影像智能診斷方面的可解釋性較差，這又降低了臨床醫生對智能輔助診斷的置信程度。

　　針對以上難題，中國科學院蘇州生物醫學工程技術研究所研究員高欣團隊基于前期研究基礎，針對肺癌淋巴結轉移預測問題，創新性提出一種適用于醫學影像的多尺度、多任務、多標簽分類的神經網絡模型（Multi-scale， multi-task， and multi-label classification network， 3M-CN），模型架構以3D DenseNet為模型主干，提取肺結節CT三維特征，借助多尺度特征融合模塊，深度融合肺結節圖像不同層級特征，并利用多任務分割模塊引導模型關注病灶區域，最終基于多標簽分類任務同步實現淋巴結轉移風險及多征象的精準預測與病灶區域搜索式定位分割（圖1）。該研究使用兩家醫院554例早期肺腺癌患者的CT影像數據及對應臨床資料對所提網絡進行訓練和驗證。

　　結果表明，該團隊提出的3M-CN模型對早期肺腺癌淋巴結轉移預測精度可達0.948。所提方法優勢在于模型無需醫生任何干預，僅需借助患者影像數據及臨床信息即可預測淋巴結轉移風險，完全實現自動化和智能化。同時，模型提供了更多與淋巴結轉移相關的語義解釋，增強深度學習模型可解釋性，全面提升臨床醫生對模型結果的置信度，有助于人機融合的臨床應用。此外，為了進一步直觀展現深度學習模型的可解釋性，團隊通過可視化方法量化多尺度特征與原始圖像間對應關系。研究顯示，淺層神經元激活了肺結節邊緣區域，代表性征象為胸膜凹陷；深層神經元激活了更多帶有語義的征象區域，代表性征象為毛刺、分葉和胸膜凹陷