近日，来自凯斯西储大学（Case Western Reserve University）的研究人员开发出了一种识别肺癌的“另类”方法：通过训练算法，来识别肿瘤外部区域及附近血管的断层扫描（CAT）图像，从而让算法判断图像中肿瘤是否为恶性。这一研究成果发表在了《Radiology》上。
目前使用的肺癌筛查方式主要是由放射科医生在CAT图像中识别可疑的结节，然后对患者进行手术活检或采用其它侵入性手段来对结节进行分析。这种方式过程很复杂，且费用非常高昂，而通常在图像中有很多结节无法被准确识别，其中绝大部分在进行进一步检查之后被发现是良性的。如果能有一种方法，让医生在进行手术之前就能够判断结节是良性还是恶性，这不仅可以减少费用，还可以降低一系列手术和检查带来的其它风险。
▲该研究的流程示意图（图片来源：《Radiology》）
针对这一情况，凯斯西储大学的研究人员们开始尝试借助机器学习和算法的力量，来对肿瘤进行识别。他们收集了2007-2013年期间来自两所机构290名患者的标准诊断非增强CT图像，来对图像中的结节进行组织病理学分析。这些患者包括125名男性和165名女性，年龄范围在18-92岁之间。由放射科医生在这些图像上对结节进行识别，并进行手工注释，内容包括结节的形状和纹理等特征，而这些信息都是从结节内部及周围区域提取出来的。
在提取了结节数据之后，研究人员利用这些数据对机器学习算法进行训练，并使用另一个包含145名患者的测试集来进行验证。算法得出的结果将会与两名放射科医生识别的结果进行对比。结果显示，机器学习算法能够以80%的准确率来判断结节是良性还是恶性，而作为对比的放射科医生准确率只有60%。
▲AI对肿瘤及其周围区域的图像进行识别（图片来源《Radiology》）
在今年早些时候，另外一项研究表明，在CAT图像中结节周围弯弯曲曲的血管可以作为识别肿瘤的依据，其区分恶性和良性结节的准确率达到了85%。
研究人员表示，这项研究的突破之处在于，它转换了人们识别和检测肿瘤的思路。“我对这些研究感到兴奋的首要原因是，我们过去接受的是‘重要信息都在肿瘤内部’的思路，但这些新研究明确地证明了，肿瘤外部同样也有很多有用的信号，”该研究的负责人，凯斯西储大学工程学院生物医学工程教授Anant Madabhushi博士表示，“由于没有发现更好的筛查手段，我们过去在肺癌筛查上的表现一直没有达到最佳。而更好的工具现在已经出现了。”
参考资料：
[1] Thinking outside the box and outside the tumor to detect lung cancer. Retrieved December 20, 2018, from https://www.eurekalert.org/pub_releases/2018-12/cwru-tot121818.php
[2] Beig, et al., (2018). Perinodular and Intranodular Radiomic Features on Lung CT Images Distinguish Adenocarcinomas from Granulomas. Radiology, https://pubs.rsna.org/doi/10.1148/radiol.2018180910
