LungNet预测在二维空间中的可视化显示，高风险组的患者与低风险组的患者聚集在一起。低危患者的病灶以规则且均匀的结节为特征。高危组患者的结节边缘锐利且不规则。图片来源：Mukherjee等，《自然机器智能》，2020年5月
计算机断层扫描(CT)是评估患者肺癌的主要诊断工具。现在，斯坦福大学由NIBIB资助的研究人员创建了一个人工神经网络，该网络可以分析肺部CT扫描，以提供有关肺癌严重程度的信息，从而可以指导治疗方案。
CT成像是一种重要的诊断工具，可用于测量肺部病变的位置，程度，大小和形状，以指导肺癌患者(全球成人最常见的致命恶性肿瘤)的治疗决策。但是，CT图像的分析仅限于人眼可以看到的内容，而阅读器的可变性会导致不同肿瘤中心之间临床护理的差异。
生物医学信息学，放射学，数据科学，电气工程和放射肿瘤学的多学科专家团队已经合作创建了一个名为LungNet的机器学习神经网络，旨在从患者的肺部CT扫描中获得一致，快速，准确的信息。该小组对来自非小细胞肺癌(NSCLC)成人的扫描进行了研究，这占肺癌诊断的85%。
NIBIB 图像处理，视觉感知和显示计划的负责人Qi Duan博士说：“ LungNet展示了直接在患者的医学图像上设计和训练机器学习工具的好处。“这是机器学习技术如何成为促进疾病检测，诊断和治疗的经济有效方法的杰出示例。”
该研究小组由斯坦福大学生物医学信息学医学助理教授Olivier Gevaert领导，他专门研究使用多尺度生物医学数据进行生物医学决策支持的机器学习方法。
Gevaert解释说：“定量图像分析表明，放射图像(例如肺癌患者的CT扫描)比放射科医生所能观察到的信息更多。” “我们使用来自几个不同肿瘤诊所的CT图像数据集，来确定是否可以训练我们的神经网络来准确，可重复地分析扫描并提供一致的，有用的临床信息。”
这个名为LungNet 的神经网络在来自四个医疗中心的四个独立的非小细胞肺癌患者队列中进行了培训和评估，每个中心平均有数百名患者。LungNet分析可准确预测所有四个患者组的总体生存率。LungNet还可以对良性结节与恶性结节进行准确分类，并且能够进一步将结节与癌症进展进行分层。
研究团队期望LungNet不仅在将良性肿瘤与恶性肿瘤分类方面而且对于将患者分为低，中和高风险组别都具有极高的价值。这允许对高风险组的患者加强治疗，并减少对低风险组的患者不必要的治疗。
研究结果发表在《自然机器情报》杂志上。
