中大新聞中心

2017年9月6日

中大工程學院開發人工智能深度學習應用於醫學影像檢測 大大提升診斷肺癌及乳腺癌效率

2017年9月6日
分享
列印

中大計算機科學與工程學系教授王平安教授(左)與博士研究生竇琪。

早期肺癌肺小結節自動檢測

香港中文大學(中大)計算機科學與工程學系教授王平安教授及其研究團隊,最近成功應用人工智能影像識別技術,通過深度學習(Deep Learning)系統判讀電腦斷層掃瞄(CT)及病理組織切片等醫學影像,並針對香港兩大高危疾病──肺癌及乳腺癌的影像進行研究。結果顯示,利用人工智能判讀該兩種癌症的醫學影像,準確率分別高達91%及99%,識別過程只需30秒至10分鐘,可見此技術能大幅提升臨床診斷的效率,並降低誤診率。預計在未來一至兩年,這種自動化檢測技術將可於本地醫療界廣泛應用。 

通過深層神經網絡自動檢測肺結節 

肺癌是本港頭號致命癌症,早期肺癌多以肺小結節(small pulmonary nodule)的形式出現,即在肺部影像出現細小的團狀陰影。現時,醫生主要通過胸腔CT圖像去檢查是否存在肺小結節,然而,每次檢查都可產生多達數百張斷層掃描圖像,單靠肉眼判斷,往往耗費大量時間精力,準確度或會因醫生的經驗及精力差 異而有所影響。王平安教授及其團隊採用深度學習技術判讀CT掃描圖像,僅需30秒,就能自動識別出可能出現肺小結節的位置,準確度高達九成。一般情況下,每次CT檢查會產生數百張二維切面圖,如逐一以肉眼觀察,每幅花3秒,耗時至少5分鐘。

中大研究團隊早於五年前展開相關實驗,技術走在國際前沿,現今測試效果已取得醫學界的正面回響。王平安教授相信此技術將於未來一至兩年內被廣泛應用,他表示:「深度學習透過先進的方法,提升技術的敏感度,剔除疑似及雜訊的誤報(假陽性),解決了用肉眼檢測影像所遇到的最大挑戰。」他透露,團隊將聯同北京幾所醫院合作開發相關產品,以優化技術,及早識別肺結節病變,為肺癌的早期診斷和治療提供可靠的依據。 

自動檢測組織病理學圖像中的乳腺癌淋巴結轉移 

自1990年以來,本港乳腺癌新增個案持續上升。乳腺癌是香港女性最常見的癌症,在常見癌症中排名第三。醫生一般要通過乳房X光造影或MR掃瞄,檢測硬塊位置:在檢測淋巴結轉移時,醫生須切取一小塊活組織為樣本,在顯微鏡下檢查淋巴結有否轉移,以及腫瘤是良性還是惡性。一幅數碼活組織全切片圖像的解像度非常高,檔案大小可達1GB(Gigabyte),相當於一部90分鐘高清電影的儲存容量,檢測過程極之費時費力。 

中大研究團隊開發了一種嶄新的深層疊卷積神經網絡,分階段處理乳腺癌的切片圖像。首先使用改良版的全卷積網絡(Fully Convolutional Network)——一種對圖像進行較粗略但保持高靈敏度的快速預測模型,重構出更加精密而準確的預測結果,最後定位並挑選出含有淋巴結轉移的圖像。整個自動化檢測過程只需約5至10分鐘,如單靠肉眼查看則病理醫生往往要花費15至30分鐘。準繩度方面,對比資深病理醫生人工檢測的結果,自動化檢測的準確度高出2%,達到98.75%,對乳腺癌的臨床診斷極具參考價值。 

人工智能深度學習的優點,是能容納大規模的參數,隨著數據之累積,精準度能夠不斷提升;應用於醫學上的自動篩查及檢測,有如一個永不疲勞的醫護助手,協助醫生快速識別病源,及時制定適切的治療方案,對症下藥。



中大計算機科學與工程學系教授王平安教授(左)與博士研究生竇琪。

中大計算機科學與工程學系教授王平安教授(左)與博士研究生竇琪。

 

早期肺癌肺小結節自動檢測

早期肺癌肺小結節自動檢測

 

下載所有相片