kaiyun官方注册
您所在的位置: 首页> 通信与网络> 业界动态> 如此牛掰?谷歌的AI模型竟解决了肺癌难题?

如此牛掰?谷歌的AI模型竟解决了肺癌难题?

2019-05-21
关键词: TensorFlow 谷歌 AI

  在我国,肺癌一直是各种癌症中致死最多的。

  据国家癌症中心统计,我国每年新发肺癌约78.7万人,因肺癌死亡约63.1万人,如果这些患者都能早发现、早治疗,那么他们的寿命将会大大延长。

谷歌发表在Nature Medicine上的一项新研究,让人类解决肺癌难题前进了一大步。在这项研究中,AI能够根据患者的胸部CT图像,诊断出早期肺癌,与六位放射科医生相比,AI的准确度更高,检测到的病例增加了5%,假阳性减少了11%,AUC达到94.4%。

5ce39943b1424-thumb.png

  换句话说,相比人类医生,谷歌的该AI模型能够发现更多没被发现的早期肺癌病人,还能减少很多没有患肺癌的人被误诊。

  无论是和单个医生相比还是和某一科目的医生们相比,这项研究中模型的准确度都相当高,超越了人类水平

5ce39943af745-thumb.png

  真实数据检测

  研究中用到的数据来自美国全国肺癌筛查试验(NLST)的真实数据,包括来自14851名患者的42290张CT照片,其中639人在拍完这些CT照片一年后就经过活检被确诊为肺癌。如果一名患者在一年后的检测中没有发现肺癌,则被视为阴性。

  这14851名患者被随机分配到了训练组(占比70%),调整组(占比15%)和测试组(占比15%),三个组的确诊患者百分比分别为3.9%、4.5%和3.7%。

  模型即将开放

  整个模型包含几个部分:

  肺部分割,用TensorFlow目标检测API训练LUNA45数据集,产生肺分割掩模并对齐。

  癌症ROI检测,构建RetinaNet47,找出病灶区域。

  全量模型,在1.5立方毫米体积的大小上训练,预测一年内患癌症的可能性。

  癌症风险预测模型,提取3D特征,生成最终预测结果。

  整个模型将通过谷歌云Healthcare API开放,进一步研究它在临床实践中的效果。有朝一日,或许这个模型真的能在各大医院中使用,会有更多病人受益。

  传送门

  最后,这项研究中用到了3个肺癌数据集,需要的工具都是TensorFlow中已经开源的API。

  论文

  End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography

  Diego Ardila, Atilla P. Kiraly, Sujeeth Bharadwaj, Bokyung Choi, Joshua J. Reicher, Lily Peng, Daniel Tse, Mozziyar Etemadi, Wenxing Ye, Greg Corrado, David P. Naidich, Shravya Shetty

  https://www.nature.com/articles/s41591-019-0447-x

  数据集

  LUNA16

  https://luna16.grand-challenge.org/data/

  LIDC-IDRI

  https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI

  NLST

  https://biometry.nci.nih.gov/cdas/learn/nlst/images/

  开源工具

  TensorFlow Estimator API

  https://www.tensorflow.org/guide/estimators

  TensorFlow目标检测API

  https://github.com/tensorflow/models/tree/master/research/object_detection

  TensorFlow Inflated Inception

  https://github.com/deepmind/kinetics-i3d


本站内容除特别声明的原创文章之外,转载内容只为传递更多信息,并不代表本网站赞同其观点。转载的所有的文章、图片、音/视频文件等资料的版权归版权所有权人所有。本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如涉及作品内容、版权和其它问题,请及时通过电子邮件或电话通知我们,以便迅速采取适当措施,避免给双方造成不必要的经济损失。联系电话:010-82306118;邮箱:aet@chinaaet.com。
Baidu
map