中科院合肥物质院团队新AI模型：像医生读片一样判断肺结节良恶性

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进展。团队发展出一种基于胸部 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，早期筛查直接关系到治愈率能否提高、死亡率能否降低。早筛过程中，肺结节良恶性判断得准不准，又会影响后续诊疗方案的制定和预后效果。

按临床惯例，医生要一张张看胸部 CT 影像，把肺部整体结构、结节周边组织、结节细节放在一起考量，再凭临床经验给出良恶性诊断。这种人工读片方式耗时费力，还容易受经验和疲劳干扰，漏诊误诊的情况也可能出现。

近几年，AI 技术开始用于肺结节良恶性辅助诊断。不过常规 AI 诊断模型只依赖单尺度影像特征下判断，大多是“黑箱”算法，识别精度有限、可解释性差，精准诊疗的临床需求很难被满足。

围绕上述问题，科研团队在算法设计上照着医生的诊断逻辑来做，提出新型 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量都纳入进来。

不同尺度的影像特征由专属编码器分别提取，再通过隐空间投影、互信息最大化技术完成跨尺度特征对齐，并借助层级交叉注意力机制，模仿医生“先全局、再局部、后细节”的诊断流程。特征融合经过多重正则化约束优化，结节分叶、毛刺、密度不均等恶性细微特征能被捕捉到，血管牵拉、肺组织形变等全局病理信息也一并兼顾，病灶分析因此更精细、更立体。

为检验模型有效性，研究团队依托公开数据集 LIDC-IDRI 和临床数据集 USTC-FHLN 开展算法比较实验。结果显示，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，同时模型参数量与运算成本更低。

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，便于在人机之间建立有效验证，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国科学院合肥物质院；参与合作的还有中国科学技术大学第一附属医院（安徽省立医院）、蚌埠医科大学、中国科学院半导体研究所、美国东北大学和新加坡南洋理工大学等。中国科学院合肥肿瘤医院的单病种攻关项目等为本研究提供了支持。