深度学习用于影像学预测肺腺癌浸润性的研究进展  

Progress of deep learning in imaging prediction of lung adenocarcinoma aggressiveness

作　　者：潘政松 宋兰[2] 宋伟[2] 金征宇[2] Pan Zhengsong;Song Lan;Song Wei;Jin Zhengyu(Medical Doctor Program,Chinese Academy of Medical Science&Peking Union Medical College,Beijing 100730,China;Department of Radiology,Peking Union Medical College Hospital,Chinese Academy of Medical Sciences,Beijing 100730,China)

机构地区：[1]中国医学科学院北京协和医学院,北京100730 [2]中国医学科学院北京协和医院放射科,北京100730

出　　处：《中华放射学杂志》2023年第9期1018-1022,共5页Chinese Journal of Radiology

基　　金：北京市科学技术委员会AI+健康协同创新培育项目(Z201100005620008);国家自然科学基金(82171934);2021 SKY影像科研基金(Z-2014-07-2101);2021年度北京市级大学生科研创新项目(S202110023022);中国医学科学院医学与健康科技创新工程项目(2021-I2M-C&T-A-007)。

摘　　要：基于影像学的早期肺腺癌浸润性预测,对于肺结节的临床管理、手术方法和预后评估具有重要意义。相比于基于特征构建的统计学方法和影像组学方法,以卷积神经网络为基础的深度学习方法用于预测肺腺癌浸润性具有性能高、可靠性强、自动勾画等优势,有很好的应用前景。目前已有研究对多模态学习、浸润性分类、多任务处理、辅助临床、可解释性等领域进行了探索,并提高了模型的预测准确度。随着融合模态的丰富、多中心大样本的建立、小样本学习方法的应用以及前瞻性研究的开展,深度学习将在肺腺癌浸润性的预测中发挥更重要的作用。

关 键 词：腺癌 肺 浸润性 深度学习 体层摄影术 X线计算机 

分 类 号：R734.2[医药卫生—肿瘤] R730.44[医药卫生—临床医学]