中大新聞中心

香港中文大学(中大)计算机科学与工程学系教授王平安教授及其研究团队，最近成功应用人工智能影像识别技术，通过深度学习(Deep Learning)系统判读电脑断层扫瞄(CT)及病理组织切片等医学影像，并针对香港两大高危疾病──肺癌及乳腺癌的影像进行研究。结果显示，利用人工智能判读该两种癌症的医学影像，准确率分别高达91%及99%，识别过程只需30秒至10分钟，可见此技术能大幅提升临床诊断的效率，并降低误诊率。预计在未来一至两年，这种自动化检测技术将可于本地医疗界广泛应用。 

通过深层神经网络自动检测肺小结节 

肺癌是本港头号致命癌症，早期肺癌多以肺小结节（small pulmonary nodule）的形式出现，即在肺部影像出现细小的团状阴影。现时，医生主要通过胸腔CT图像去检查是否存在肺小结节，然而，每次检查都可产生多达数百张断层扫描图像，单靠肉眼判断，往往耗费大量时间精力，准确度或会因医生的经验及精力差 异而有所影响。王平安教授及其团队采用深度学习技术判读CT扫描图像，仅需30秒，就能自动识别出可能出现肺小结节的位置，准确度高达九成。一般情况下，每次CT检查会产生数百张二维切面图，如逐一以肉眼观察，每幅花3秒，耗时至少5分钟。

中大研究团队早于五年前展开相关实验，技术走在国际前沿，现今测试效果已取得医学界的正面回响。王平安教授相信此技术将于未来一至两年内被广泛应用，他表示：「深度学习透过先进的方法，提升技术的敏感度，剔除疑似及杂讯的误报（假阳性），解决了用肉眼检测影像所遇到的最大挑战。」他透露，团队将联同北京几所医院合作开发相关产品，以优化技术，及早识别肺结节病变，为肺癌的早期诊断和治疗提供可靠的依据。 

自动检测组织病理学图像中的乳腺癌淋巴结转移 

自1990年以来，本港乳腺癌新增个案持续上升。乳腺癌是香港女性最常见的癌症，在常见癌症中排名第三。医生一般要通过乳房X光造影或MR扫瞄，检测硬块位置：在检测淋巴结转移时，医生须切取一小块活组织为样本，在显微镜下检查淋巴结有否转移，以及肿瘤是良性还是恶性。一幅数码活组织全切片图像的解像度非常高，档案大小可达1GB（Gigabyte），相当于一部90分钟高清电影的储存容量，检测过程极之费时费力。 

中大研究团队开发了一种崭新的深层叠卷积神经网络，分阶段处理乳腺癌的切片图像。首先使用改良版的全卷积网络（Fully Convolutional Network）——一种对图像进行较粗略但保持高灵敏度的快速预测模型，重构出更加精密而准确的预测结果，最后定位并挑选出含有淋巴结转移的图像。整个自动化检测过程只需约5至10分钟，如单靠肉眼查看则病理医生往往要花费15至30分钟。准绳度方面，对比资深病理医生人工检测的结果，自动化检测的准确度高出2%，达到98.75%，对乳腺癌的临床诊断极具参考价值。 

人工智能深度学习的优点，是能容纳大规模的参数，随著数据之累积，精准度能够不断提升；应用于医学上的自动筛查及检测，有如一个永不疲劳的医护助手，协助医生快速识别病源，及时制定适切的治疗方案，对症下药。