腾讯优图实验室联合广东省肺癌研究所吴一龙教授／钟文昭教授团队，与清华大学以及国内多家中心呼吸科／放射科团队等共同开发了基于卷积神经网络算法的肺结节诊断模型，近日，该初步研究成果已被全球癌症领域知名医学期刊《肿瘤学家》（《The Oncologist》）收录并全文发表。
随着低剂量螺旋CT（LDCT）的普及，检出了越来越多的肺部结节，使患者得以早期诊断，早期手术临床治愈率越高。然而，将CT作为筛查手段仍存在较高假阳性率（即CT发现的结节可能不一定是恶性，或是极度惰性生长肿瘤），此外激增的CT分析工作也大大占据放射科医师有限的工作时间和精力。近年来机器学习算法在医疗领域的大展拳脚（糖尿病视网膜病变／皮肤病／甲状腺结节等），基于卷积神经网络算法（机器学习算法一类）的肺结节诊断模型有望解决这一难题。此次腾讯优图联合吴一龙教授／钟文昭教授团队及多个中心等推出的基于卷积神经网络算法的肺结节诊断模型，可有望辅助医生提高结节检出率的同时兼顾良恶性诊断准确率，大大降低放射科医师日常CT读取工作量，同时使得更多患者能够及时得到早期治疗干预，进一步降低肺癌相关死亡率。
作为腾讯觅影核心AI技术的提供方，腾讯优图实验室将持续通过腾讯觅影，与更多医院及医疗机构展开合作，让技术真正应用落地。目前，腾讯觅影已与国内超过100多家顶级三甲医院达成合作，共同推进AI在医疗领域的研究和应用。此外，依托腾讯云的服务器，腾讯优图具备进行上亿规模的模型训练及合作接入，为技术落地提供有力的服务保障。未来，AI＋医学有望在推动各级医疗系统诊断同质化，减轻医生工作量，提升诊断准确率和效率方面，发挥更大的作用。
以下为详细研究内容：
一、分析步骤：
预处理模块：从CT切片中分离出包含肺组织的图像区域，阈值0HU去除无关组织（骨与软组织），接着使用自适应阈值图像分割方法，建立3维模型；重建3维图象为标准化的切片厚度和分辨率，以避免不同CT机器的误差。
结节诊断模块：建立3D肺结节检测网络获得重建图象的3D特征；在Pythorch平台上分两步训练CNN（卷积神经网络）模型，a， （结节检测网络），输入信息包括图象和相应的位置附加信息；b， 根据第一步的检测网络参数初始化结节诊断网络，并对输出图象和相关诊断结果进行微调。
输出模块：在结节诊断网络计算出所有结节的恶性评分后，对其进行融合以得出最后的图象级恶性评分。融合图像级恶性肿瘤评分可用公式Pf＝1（1p1）（1p2）…计算。（1PN），其中P代表结节恶性的概率，N代表结节的数目。
