【第一參賽人/留學人員】李曉瑜
【留學國家】美國
【技術領域】生物技術與大健康
【參賽屆次】第6屆
【所獲獎項】入圍
【項目簡介】
肺結節是目前發病率較高的肺部疾病，目前對于肺結節的診斷主要借助影像數據進行觀察，患者隨訪或者非手術/手術活檢獲取組織學檢查。然而，當前通過影像科醫生對影像數據進行觀察得到的診斷準確率還不夠理想（～70%-85%），患者隨訪的形式進行確診會有疾病惡化的可能，而對于小結節(<20mm)，手術活檢存在一定的風險性。如果采用深度學習方法，通過病人影像數據對病人微小肺結節良惡性進行鑒別可以提高診斷的準確率以及速度，為醫生的診斷提供幫助，使患者得到及時有效的治療。病理診斷分析是醫生進行疾病最終診斷、臨床治療及預后恢復的關鍵依據，主要采取切取、鉗取或穿刺等方式從患者體內取出病變組織，進行病理性檢查。然而，病理診斷的準確率受取樣部位影響，不同的取樣位置可能會帶來不同的病理診斷結果，采用人工智能如深度學習方法通過大量具有病理診斷結果的影像數據進行學習產生“無創活檢”（Invasive biopsy）智能分析判定算法，用此來自動通過對術前病人影像（如CT圖像）進行病理分析獲知其病理類型，對解決這一問題有重大的意義，并且能有效減少良性腫瘤患者不必要的活檢數量，減輕他們的痛苦，此外，醫學診斷除采用對新產生的圖像進行分析診斷外，對其與已有的歷史圖像的相似性對比進行診斷也是常用方法。當前，大部分醫院采用PACS（Picture Archiving and Communication System）系統儲存每天產生的海量醫學圖像，如果能從PACS中找出病情類似的圖像病歷，則可以為醫生的診斷提供重要依據，尤其是對于經驗不夠豐富的醫生更是如此，而且在教學中也經常需要大量的相似病例圖像進行分析研究。由于語言描述與圖像內容之間存在差距，因此這種圖像的尋找過程不能夠簡單的通過文本搜索來進行，這就需要基于圖像內容的醫學圖像搜索技術，同時結合醫院的PACS系統，將之前的影像數據充分利用起來，為疾病診斷、教學科研和圖像統計分析提供重要的支持。
【展開】
【收起】