Google Research发布辅助AI系统：提升肺癌筛查效率与准确性

摘要：Google Research推出了一款基于机器学习的辅助AI系统，旨在优化肺癌筛查流程。该系统通过CT影像输入，输出癌症可疑性评分及病灶定位，并已在美日两国进行多中心临床研究验证。结果表明，该系统可显著提升放射科医生对无癌病例的识别准确性（特异性），减少不必要的随访程序，降低患者焦虑和医疗成本，同时保持对癌症阳性病例的敏感性不变。这一成果展示了AI在医疗影像分析中的潜力，并为未来AI与临床工作流程的深度融合提供了重要参考。

---

背景与挑战

肺癌是全球癌症相关死亡的主要原因，2020年报告死亡人数达180万。晚期诊断会显著降低生存率。通过计算机断层扫描（CT）进行肺癌筛查，可以为高危人群降低至少20%的死亡率。然而，筛查过程中可能出现假阳性，导致患者焦虑和不必要的医疗程序，同时增加医疗系统的成本。此外，筛查大量个体时的效率也受到医疗基础设施和放射科医生可用性的限制。

AI辅助筛查系统

Google Research开发的机器学习模型此前已在肺癌检测中表现出色，其性能可与专家媲美。为了进一步提升AI在真实环境中的表现，研究团队开发了一款辅助AI系统。该系统通过CT影像输入，输出癌症可疑性评分（无怀疑、可能良性、可疑、高度可疑）以及相应的病灶定位。

系统架构与功能

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，然后为每个区域分配可疑性评分。系统部署在Google Cloud上，使用Google Kubernetes Engine（GKE）运行ML模型，并直接连接到存储DICOM格式图像的服务器。

临床研究结果

研究团队在美国和日本进行了多中心临床研究，共纳入627例具有挑战性的病例，由12名放射科医生参与。结果显示，在模型辅助下，医生对无癌病例的识别准确性（特异性）提高了5-7%，这意味着每筛查15-20名患者，就可能避免一次不必要的随访程序，从而降低患者焦虑和医疗成本。

未来展望与合作

为了加速AI在医学影像分析中的应用，研究团队已开源了处理CT图像并生成与PACS系统兼容图像的代码。此外，Google Research正与DeepHealth和Apollo Radiology International等机构合作，探索将该系统整合到未来产品中的路径，并计划通过开源代码和研究成果，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。

结论

该辅助AI系统展示了AI在肺癌筛查中的巨大潜力，特别是在提高筛查效率、降低医疗成本和减少患者焦虑方面具有重要意义。

---

消息来源：Google AI Research (2024-03-20)

—— 完 ——

主题标签： #Google Research #AI in Healthcare #Lung Cancer Screening #Machine Learning #Medical Imaging