Google发布AI辅助肺癌筛查系统：提升诊断效率与准确性

摘要：Google Research推出了一款基于机器学习的AI辅助肺癌筛查系统，旨在提升放射科医生的工作效率和诊断准确性。该系统通过分析CT扫描图像，为医生提供癌症可疑性评级和病变区域定位，并已在美日两国进行了多中心临床研究。结果显示，使用该系统后，放射科医生的特异性提高了5%-7%，这意味着每15-20名患者中可避免1例不必要的随访程序，从而降低患者焦虑并减轻医疗系统负担。

---

Google发布AI辅助肺癌筛查系统：提升诊断效率与准确性

核心突破

Google Research推出了一款基于机器学习的AI辅助肺癌筛查系统，旨在解决当前肺癌筛查中的效率与准确性难题。该系统通过以下方式提升诊断效果：

• 癌症可疑性评级：系统将CT扫描图像输入后，输出癌症可疑性评级（无怀疑、可能良性、可疑、高度可疑）以及对应的病变区域定位。
• 多中心临床验证：在美国和日本进行的临床研究中，12名放射科医生对627例具有挑战性的病例进行了评估，结果显示，使用该系统后，放射科医生的特异性提高了5%-7%。这意味着每15-20名患者中可避免1例不必要的随访程序。
• 用户友好型界面：系统输出结果以图像形式直接关联到CT研究，无需对医生工作站进行任何更改，医生只需查看少量额外图像即可。

技术亮点

1. 模型架构：该系统由13个模型组成，架构类似于之前工作中的端到端系统。模型之间相互协调，首先分割肺部，进行整体评估，定位三个可疑区域，然后使用这些信息为每个区域分配可疑性评级。
2. 部署平台：系统部署在Google Cloud上，使用Google Kubernetes Engine (GKE) 提取图像、运行机器学习模型并提供结果。这确保了系统的可扩展性，并直接连接到存储DICOM图像的服务器。
3. 开放源代码：为了加速类似研究，Google开源了处理CT图像并生成与放射科医生使用的PACS系统兼容的图像的代码。

行业影响

• 提升诊断效率：该系统通过减少不必要的随访程序，降低了患者焦虑和医疗成本，从而提高了肺癌筛查的可持续性。
• 促进AI与医疗的融合：通过与DeepHealth和Apollo Radiology International等机构合作，Google正在探索将该系统整合到未来产品中的路径。此外，开放源代码的做法将帮助其他研究人员更好地将AI模型结果整合到临床工作流程中。
• 推动AI医疗研究：开放源代码和临床研究数据将为医学影像AI研究提供新的工具和见解，加速AI在医疗领域的应用。

开发者建议

• 关注AI与医疗的结合点：AI在医疗领域的应用潜力巨大，开发者可以关注AI与医学影像、诊断等领域的结合点，探索新的应用场景。
• 利用开源资源：Google开源了处理CT图像的代码，开发者可以利用这些资源进行二次开发或研究，加速AI医疗应用的开发进程。

原文链接

Computer-aided diagnosis for lung cancer screening

分类

• 大模型

标签

• Google
• AI辅助诊断
• 机器学习
• 医疗AI
• 肺癌筛查

阅读预估时间

5 分钟

—— 完 ——

主题标签： #Google #AI辅助诊断 #机器学习 #医疗AI #肺癌筛查