肺癌是世界範圍內致死率最高的癌症，目前臨床早期肺癌患者的首選治療方案是肺葉切除聯合系統性淋巴結清掃，但對於沒有淋巴結轉移的早期肺癌患者，淋巴結清掃將增加癌症復發和術後併發症的風險，甚至將導致淋巴水腫、神經損傷、氣胸等併發症。因此，術前準確預測淋巴結轉移情況將有效避免不必要的淋巴結清掃手術，降低復發及併發症發生風險，提升患者生存質量。
目前術前預測早期肺癌淋巴結轉移狀態主要依賴醫生基於CT影像經驗判斷，這種方法主觀、耗時且準確率不高（平均準確率為0.7左右）。團隊前期開發了一種用於提升早期肺癌淋巴結轉移診斷精度的跨模態資訊融合的神經網路架構，該方法雖然摒棄了影像組學對病灶人工圈定的依賴，但仍需臨床醫生人工註釋病灶徵象：如毛刺、分葉、胸膜凹陷、原發灶密度等資訊，模型智慧化程度不足，臨床應用受限。此外，現階段人工智慧技術在醫學影像智慧診斷方面的可解釋性較差，這又降低了臨床醫生對智慧輔助診斷的置信程度。
針對以上難題，中國科學院蘇州生物醫學工程技術研究所研究員高欣團隊基於前期研究基礎，針對肺癌淋巴結轉移預測問題，創新性提出一種適用於醫學影像的多尺度、多工、多標籤分類的神經網路模型（Multi-scale, multi-task, and multi-label classification network, 3M-CN），模型架構以3D DenseNet為模型主幹，提取肺結節CT三維特徵，藉助多尺度特徵融合模組，深度融合肺結節影象不同層級特徵，並利用多工分割模組引導模型關注病灶區域，最終基於多標籤分類任務同步實現淋巴結轉移風險及多徵象的精準預測與病灶區域搜尋式定位分割（圖1）。該研究使用兩家醫院554例早期肺腺癌患者的CT影像資料及對應臨床資料對所提網路進行訓練和驗證。
結果表明，該團隊提出的3M-CN模型對早期肺腺癌淋巴結轉移預測精度可達0.948。所提方法優勢在於模型無需醫生任何干預，僅需藉助患者影像資料及臨床資訊即可預測淋巴結轉移風險，完全實現自動化和智慧化。同時，模型提供了更多與淋巴結轉移相關的語義解釋，增強深度學習模型可解釋性，全面提升臨床醫生對模型結果的置信度，有助於人機融合的臨床應用。此外，為了進一步直觀展現深度學習模型的可解釋性，團隊透過視覺化方法量化多尺度特徵與原始影象間對應關係。研究顯示，淺層神經元激活了肺結節邊緣區域，代表性徵象為胸膜凹陷；深層神經元激活了更多帶有語義的徵象區域，代表性徵象為毛刺、分葉和胸膜凹陷（圖2）。
相關成果發表於Computerized Medical Imaging and Graphics。該研究獲得國家自然科學基金委等機構的資助。
圖1 所提網路3D 3M-CN網路架構，MFF為多尺度特徵融合模組，Segmentation Module為分割模組，FC為全連線層，RL為細化層模組用以融合臨床風險因子
圖2 三維多尺度特徵圖展示（a）原始CT影象（紅色箭頭表示分葉徵；綠色箭頭為胸膜凹陷徵）；（b-i）、（c-i）和（d-i）分別為低、中、高階特徵啟用圖；（b-ii）、（c-ii）和（d-ii）分別是低、中、高階特徵啟用圖覆蓋到原始CT上的影象
來源：中國科學院蘇州生物醫學工程技術研究所
