北京时间5月30日，并列于RSNA旗下国际放射学顶级期刊《Radiology》，在AI领域的新刊《Radiology：Artificial Intelligence》收录了名为《evaluating a Fully Automated Pulmonary Nodule Detection Approach and Its Impact on Radiologist Performance（全自动肺结节检测方法及其对影像科医生的影响评估）》的科研成果。

本次研究由中华医学会放射学分会候任主任委员、上海长征医院影像医学与核医学科主任刘士远教授团队与推想科技科研团队合作推进。文中提出的深度学习模型可以提升不同类别肺结节检出的灵敏度，且不受辐射剂量、患者年龄或放射设备品牌影响。同时，该模型可提升人工检测灵敏度并减少阅片时间。

研究过程中，合作团队从国内多家顶级医院共回顾性收集13，159张薄层CT图像，并把满足入组标准的12，754张图像随机分为“训练＋验证集”（91．1％）和“测试集”（8．9％），用以评估深度学习模型。

基于推想科技AI学者科研平台InferScholar Center，研究人员将两个CNN模型组成一个深度学习模型神经网络，一个是作为特征提取器的DenseNet模型， 另一个是作为探测器的Faster R－CNN 模型。在这个模型中， DenseNet被用于特征提取和反向传播。

不同于常规CNN， DenseNet可直接被连接而形成密集的连接网络，这样可以减少神经网络层数， 保持特征密度，提高模型的整体表现力。在研究过程中，测试数据中包含了在真实临床环境下存在的队列设计：不同的辐射剂量（低剂量和标准剂量）、患者年龄（3个年龄组）和放射设备品牌（4个品牌设备）。

通过与高年资医生双盲实验设定的金标准对比，本文中提出的深度学习模型相较于人工检测肺结节的灵敏度有所提高。自由响应受试者工作特征曲线（FROC）表现出高达0．86的灵敏度（每扫描包含8个假阳）。同时模型的平均表现与辐射剂量、患者年龄、设备品牌均无统计上的敏感性联系。

此外，研究还比较了放射科医生在深度学习模型帮助下的表现。两位独立的放射科医生首先在不使用深度学习模型的情况下单独阅片，然后在二次读片期间使用深度学习模型作为辅助。

测试发现，两位放射科医生在使用深度学习模型后检测的灵敏度在所有类型的结节中都得到了提高；与不使用深度学习模型的医生相比相比， 两位放射科医生的阅读时间更短。

同时，根据患者水平检测LROC曲线显示， 在深度学习的辅助下， 放射科医生诊断的灵敏度得到了提高，并且具有较高的特异性和敏感性。

该研究成果的发表，意味着上海长征医院与推想科技联合研发的深度学习模型不仅具有极高的性能表现，可以作为辅助工具帮助放射科医生大幅提升工作效率和准确率，更重要的是可以将外界因素（辐射剂量、患者年龄、设备品牌）的影响降到最低，具有极强的鲁棒性。这对于降低患者的辐射损害、节约医疗成本等方面均具有重要的意义。

总的来说，此次研究再次表明深度学习定制化模型对于临床实际问题解决的重要性，这也正是推想AI学者科研平台InferScholar Center的使命。