视见医疗的人工智能识别技术：最快30秒识别肺癌及乳腺癌

王平安（左）与研究团队成功应用人工智能影像识别技术，提升肺癌及乳腺癌的影像诊断准确度。

肺癌及乳腺癌为香港常见的高危顽疾，为提升临床诊断效率，香港中文大学工程学院研究团队运用人工智能影像识别技术，通过深度学习系统判读电脑断层扫描及病理组织切片等医学影像，以研究该两类癌症，结果显示，利用该技术判读的癌症医学影像，准确率分别高达91%及99%，识别过程亦加快至30秒至5分钟，更降低了误诊率。团队将与本地公营医院合作，期望技术最快可在未来一两年后广泛应用。

肺癌是香港头号致命癌症，每年有数千宗新增病例。肺癌早期多以肺小结节（small pulmonary nodule）的形式出现，病人的肺部影像会出现细小团状阴影。目前医生主要透过胸腔电脑断层扫描（CT）图像检查，了解病人肺部是否有肺小结节。

不过，每次检查可产生多达数百张CT图像，一般情况下，若逐张以肉眼观察，每幅花3秒，耗时至少5分钟，会耗费大量时间和精力，准确度也会因为医生的经验及精神状态而存在差异。

中大计算机科学与工程学系教授王平安及其团队，于5年前展开相关实验。他们采用人工智能深度学习技术（Deep Learning）判读CT扫描图像，只需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91%。

王平安解释，深度学习是指电脑模仿人的大脑，根据所收集的数据，按医生的指示及示范，进行数据分析，并且多次重复的学习及修改，可提升系统准确度。

他相信该技术将于未来一两年内被广泛应用。深度学习透过先进的方法，提升技术的敏感度，降低假阳性率，解决了用肉眼检测影像所遇到的最大挑战。

王平安又透露，团队将联合北京的3所医院共同开发相关产品，时会与香港医院合作，以尽快在本地医疗系统应用。

除了肺癌之外，有关技术也可应用在乳腺癌诊断。医生一般要通过乳房X光造影或MR扫描检测硬块位置，而在检测淋巴结转移时，就须切取一小块活组织为样本，在显微镜下检查淋巴结是否有转移，以及判断肿瘤是良性或恶性。

一幅数字活组织全切片图像的分辨率很高，档案大小可达1GB，于是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），即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。

整个过程只需约5分钟至10分钟，而目前单靠肉眼检查则需花费15分钟至30分钟。自动化检测的准确度达到约99%。

研究团队成员之一的博士研究生窦琪指出，团队早前参加过不少国际学术比赛，比赛也会提供病人数据以测试系统的准确度，结果显示中大团队的表现优秀，在检测肺癌及乳腺癌的准确率达九成或以上。

王平安：视见医疗联合创始人&荣誉董事长，教育部长江学者，香港中文大学计算机科学与工程系教授，虚拟现实、可视化及图像学研究中心主任，重点战略研究计算机辅助医学研究领域主任，中科院深圳先进院人机交互实验室主任。主要研究方向为计算机辅助医学、虚拟现实在医学中的应用、交互式科学计算可视化、三维医学图像等方向，已发表学术论文400余篇。由王平安教授领导研发第一个“虚拟人”，首次在计算机平台上实现了对超高分辨率可视人数据的高度交互及逼真的可视化。