中科院合肥团队研发肺结节AI诊断新模型M³Net，准确率更高成本更低

11 月 13 日消息，中国科学院合肥物质院健康所 / 合肥肿瘤医院科研团队联合国内外多家单位，在肺癌诊断研究上取得新进展。他们开发出一种基于胸部 CT 影像的肺结节 AI 辅助诊断新方法，相关结果已发表在 Information Fusion 上。

肺癌属于高发恶性肿瘤，早期筛查对提高治愈率、降低死亡率至关重要。早筛过程中，肺结节良恶性能否准确判断，直接关乎后续诊疗方案的制定和预后效果。

临床实践中，医生要一张张翻看胸部 CT 影像，把肺部整体结构、结节周边组织和结节细节综合起来，再凭临床经验判断肺结节是良性还是恶性。这种人工读片方式耗时费力，还容易受经验和疲劳影响，漏诊误诊的情况时有发生。

近年来，AI 技术开始用于肺结节良恶性辅助诊断。但常规 AI 诊断模型只依赖单尺度影像特征，多为“黑箱”算法，识别精度有限、可解释性差，精准诊疗的临床需求难以满足。

围绕这些问题，科研团队在算法设计上参照医生的诊断思路，提出了新型 M³Net，也就是“宏观-介观-微观”层级 3D 神经网络 AI 模型，并由此发展出多尺度、可解释的肺结节智能分类与诊断新方法。

算法设置了三种不同的影像输入尺度，分别对应肺部全局宏观结构、结节周边组织特征和结节微观细节，把病灶诊断相关的重要信息尽可能覆盖进来。

模型用专属编码器分别提取各尺度影像特征，再借助隐空间投影、互信息最大化技术完成跨尺度特征对齐，并通过层级交叉注意力机制，模拟医生“先全局、再局部、后细节”的诊断流程。经过多重正则化约束优化特征融合后，模型既能捕捉结节分叶、毛刺、密度不均等恶性细微特征，也能兼顾血管牵拉、肺组织形变等全局病理信息，对病灶做精细化的立体分析。

为验证模型效果，研究团队基于公开数据集 LIDC-IDRI 和临床数据集 USTC-FHLN 开展算法比较实验。结果表明，与流行的十二种 AI 算法相比，M³Net 模型在两种数据集上的肺结节良恶性分类准确率等指标均有提升，对边界模糊、特征不典型的疑难肺结节，鉴别优势尤其明显，同时模型参数量和运算成本更低。

这项研究提出的多尺度影像输入 AI 算法遵循医生诊断逻辑，方便建立人机之间的有效验证，为提高肺癌 AI 诊断的准确性和相对可解释性提供了新策略。

这项成果的第一完成单位是中科院合肥物质院，参与合作的还有中国科大附一院（安徽省立医院）、蚌埠医科大学、中科院半导体研究所、美国东北大学、新加坡南洋理工大学等。中国科学院合肥肿瘤医院单病种攻关项目等为这项研究提供了支持。