神经网络可以确定肺癌严重程度

计算机断层扫描（CT）是评估患者肺癌的主要诊断工具。现在，斯坦福大学的Nibib资助研究人员创造了一个人工神经网络，分析了肺癌扫描，以提供有关肺癌严重程度的信息，可以指导治疗方案。

CT成像是测量位置，范围，尺寸和形状的重要诊断工具肺用于指导肺患者治疗决策的病变癌症- 全世界成人最常见的致命恶性肿瘤。然而，CT图像的分析限于人眼可见的内容，读者可变性导致不同肿瘤学中心临床治疗的差异。

一个多学科专家组生物医学信息学，放射学，数据科学，电气工程学而且放射肿瘤学合作创建一个称为Lungnet的机器学习神经网络，旨在获得来自患者的肺CT扫描的一致，快速，准确的信息。本集团与扫描来自成年人的扫描（NSCLC），占肺癌诊断的85％。

“Lungnet展示了直接设计和培训机器学习工具的好处医学图像来自患者，“Qi Duan，Ph.D.的Qi Duan说，Mop.Dib.的图像处理，视觉感知和展示。”这是机器学习技术如何成为推进疾病检测的经济有效方法的突出示例，诊断和治疗。“

研究小组由奥利维尔Gevaert，生物医学信息学研究助理教授，在斯坦福大学，专门使用多尺寸生物医学数据开发生物医学决策支持的机器学习方法。

“定量图像分析表明，放射性图像，例如肺癌患者的CT扫描，含有比放射科学家观察到的更可微米信息，”Gevaert“解释说。“使用来自几种不同的脑诊所的CT图像数据集，我们开始确定我们的神经网络是否可以训练，以准确地和可重复地分析扫描，并提供一致，有用的临床信息。”

这神经网络被称为Lungnet培训并评估了来自四个医疗中心的四个患者的四名独立群体，每个中心平均数百名患者。Lungnet分析在所有四个患者组中准确地预测整体存活。Lungnet还准确地分类良性与恶性结节，并且能够进一步分层关于癌症进展的结节。

该研究团队预计Lungnet不仅对良性对恶性肿瘤进行分类而且对于低，中等和高风险群体来说，肺口对良性良性症来说非常有价值。这允许高风险群体患者的加重治疗，以及降低低风险群体的患者的不必要治疗方法。

结果已在期刊上发表自然机器智力。

---

---