近日，中山大學附屬第三醫院超聲科任杰教授團隊聯合清華大學計算機科學與技術系陳挺教授團隊、北京郵電大學信息與通信工程學院王光宇研究員團隊，在生物信息學期刊Briefings in Bioinformatics（IF=13.994）發表題為“Improving artificial intelligence pipeline for liver malignancy diagnosis using ultrasound images and video frames”的研究成果。研究針對目前超聲影像組學中手動分割圖像的重復性及效率低下，以及對靜態圖像的分析遺漏超聲檢查過程中動態圖像的信息等問題，研發了一種全自動的人工智能綜合解決方案（Fully automated artificial intelligence pipeline，以下簡稱“FAAIP”）。該解決方案在大數據驅動下可直接對肝臟的超聲靜態影像及動態影像進行全自動的分析，無需人工輔助和標注圖像，對肝臟的局灶性占位病變（focal liver lesions，以下簡稱“FLLs”）進行自動識別，并使用血清學信息對模型進行引導訓練，最終可利用肝臟的超聲影像無創地診斷患者是否存在FLLs，并且可對FLLs的良惡性以及病理類型進行診斷，進而檢出肝癌人群。

圖1 文章信息

?

肝癌是全球第六大常見癌癥、第四大癌癥死亡原因。在中國，肝癌所致死亡人數超過所有腫瘤相關死亡人數的一半。肝癌的早期檢出及診斷非常重要，早期、及時的治療可有效改善患者預后。腹部超聲檢查是一線影像學篩查方法，但診斷準確性依賴于臨床醫生的經驗。隨著計算機技術的不斷發展，計算機輔助診斷系統能夠幫助提高影像診斷的準確性，是改善超聲檢出FLLs及診斷肝癌的關鍵。

目前，計算機輔助超聲診斷肝癌已取得一定進展，但仍存在一定的局限性，例如缺少外部驗證，需要對超聲圖像進行手動分割，使用不同超聲儀器、不同病變肝臟的形態、FLLs的大小及位置等導致超聲圖像的異質性，以及僅分析靜態圖像而遺漏超聲檢查過程中的大量動態圖像的信息，極大限制了既往研發的計算機輔助診斷系統在臨床的廣泛使用。

為解決上述問題，本研究研發的FAAIP，通過納入國內三個數據集約1.1萬余例健康人及FLLs患者，共5.0萬余張肝臟超聲圖像（包括靜態與動態圖像）進行大數據的訓練和驗證。FAAIP檢出FLLs在訓練集中可達到AUC=0.990的精度，在外部驗證集中可達到AUC=0.945的精度。FAAIP通過結合血清學信息診斷惡性FLLs即肝癌在訓練集中可達到AUC=0.968的精度，在外部驗證集中可達到AUC=0.885-0.928的精度。借助FAAIP的輔助，還可對FLLs的病理類型進行分型診斷，亦可達到AUC=0.692-0.930的精度。相比于既往研究研發的輔助診斷系統，FAAIP無需人工勾畫FLLs，更具有臨床可推廣性。在與12位超聲科醫生進行的人機對抗中，FAAIP與中等年資的超聲科醫生具有同等的診斷能力，且明顯優于低年資醫生。不僅如此，FAAIP輔助可明顯提高中等年資及低年資醫生的診斷準確性，可降低高年資醫生約79.6%的工作量。

圖2 全自動的人工智能綜合解決方案（FAAIP）的研發及驗證流程。A. FAAIP的研發及驗證流程；B. FAAIP對肝臟超聲圖像分割的訓練框架；C. FAAIP對超聲動態圖像的分析模型

?

由此可見，FAAIP對于超聲圖像中FLLs病灶檢出、良惡性鑒別診斷到病理分型，均具有很高的診斷效能。同時，FAAIP可有效輔助超聲科醫生檢出肝癌人群，尤其是對于經驗少、年資低的醫生，可有效提高他們的診斷水平，進一步提高肝癌人群早期篩查的效率及準確性。

清華大學計算機科學與技術系許一鳴博士、中山大學附屬第三醫院超聲科鄭博文博士及清華大學計算機科學與技術系劉曉鴻博士為共同第一作者。

肝臟病學是中山大學附屬第三醫院的傳統優勢學科。超聲科在鄭榮琴、任杰、張新玲等教授的帶領下，與國內外多個著名實驗室、學科開展了緊密合作，取得了多項創新性成果，奠定了中山大學附屬第三醫院無創性診斷肝臟疾病的國際知名地位，為今后學科建設的縱深發展奠定了良好的基礎。

文章鏈接：https://doi.org/10.1093/bib/bbac569