(近十年“Medline/PubMed”中“Deeplearning”在肿瘤诊疗领域文章发表情况)
在影像学中，读片并不是一件容易的事。人缘所致误差会不可避免地造成误诊和漏诊，或许会导致患者错过最佳诊疗时机。在一篇去年发表在Nature的论文中，文章作者评估了一个AI系统在英美两国乳腺癌诊断的应用：同放射科医生的阅片相比，人工智能的AUC预测表现提升了绝对幅度11.5%，并减少了88%第二读的工作量。这种对人工智能系统的稳健评估为临床试验铺平了道路，提高了乳腺癌筛查的准确性和效率。
(PMID:)在与肿瘤争分夺秒的对抗中，早期筛查、早期诊断和对术后生存的预测每一环都非常重要，特别是面对一些高度恶性、病程极快且治疗方法有限的癌症。其中，最为典型的就是癌症之王胰腺癌。胰腺癌的治愈率之低，进程之快位几乎居所有肿瘤之首。胰腺导管腺癌(PDAC)是最常见的（约95%）胰腺癌，在所有实体恶性肿瘤中预后最差，5年总生存率(OS)为10%。而胰腺癌的早期诊断又十分困难，大部分病情都在中晚期才被确诊，而早期诊断的困境既源于一般人群开展筛查工作非常难，又源于该类癌症的恶性发展窗口很短。在本期讲座中，吕乐博士将会具体讲述三种不同的算法/模型分别针对胰腺癌筛查+诊断和预后预测的应用。首先，吕博士会同我们介绍半监督学习模型如何为医学影像手动标记减负。在数据量成指数级增长的今天，靠手动标记来生成训练数据的label变得越发不现实。但是通过半监督学习，我们可以通过少量有label的数据和大量unlabel的数据实现肿瘤边界的自动识别。吕博石团队的ImagingBiomarker目标函数可以跟深度神经网络里面的影像特征一起end-to-end直接优化，有的情况下甚至比＂纹理抽取＋分类器＂的分开优化表现更加优异。因此，这一研究成果可以应用于不同机构不同诊断阶段生成的、且只有部分注释的CT扫描，并且用这些不完全标记的数据实现稳健的大规模PDAC筛查。另一方面，网格(mesh)卷积(convolution)的算法使得神经网络在三维图像识别上的精确性达到了质的飞跃，这类算法也可以更好地识别影像中的几何细节来实现准确的诊断，同时也降低了诊断的成本，省去了其它临床检测的步骤。这一应用可直接应用于对囊肿患者的临床管理，精确预测恶性肿瘤和良性囊肿/结节的区分。吕乐博士的诊断模型甚至可与结合了临床、影像学和分子测试的多模式临床测试相媲美。在讲座的第三部分，吕博士将同我们介绍其团队如何将常用的LSTM(长短期记忆)神经网络进化成了3D版本，用来更好的预判肿瘤的缩小以及病人的存活率。
讲座时间年8月20日星期五09:00–10:00AM(PDT),12:00–1:00PM(EST)