李娟娟 杜偉 周舟 段福東 肖允艷 楊琳 劉敏

摘要：盡管治療有所進(jìn)步，肺癌仍然是全世界范圍內(nèi)與癌癥相關(guān)的死亡的主要原因，這很大程度上與許多患者在初診時(shí)已經(jīng)患有晚期疾病有關(guān)。由于大多數(shù)肺癌最初以結(jié)節(jié)的形式出現(xiàn)，因此將肺結(jié)節(jié)正確分類(lèi)為早期肺癌對(duì)于降低肺癌的發(fā)病率和死亡率至關(guān)重要。人工智能（AI）算法在惡性病變的自動(dòng)檢測(cè)，分割和計(jì)算機(jī)輔助診斷中起著至關(guān)重要的作用。在現(xiàn)有算法中，放射學(xué)及基于深度學(xué)習(xí)的類(lèi)型似乎是最有前途的。這篇綜述將從計(jì)算機(jī)輔助診斷的放射學(xué)和深度學(xué)習(xí)方面概述AI在肺結(jié)節(jié)分類(lèi)及早期肺癌篩查中的應(yīng)用最近取得的進(jìn)展。

關(guān)鍵詞：人工智能;放射學(xué);深度學(xué)習(xí);計(jì)算機(jī)輔助診斷;肺結(jié)節(jié);肺癌

【中圖分類(lèi)號(hào)】R563 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1673-9026（2021）07-337-03

根據(jù)世界衛(wèi)生組織的數(shù)據(jù)[1]，在全世界與癌癥相關(guān)的死亡中，肺癌是最常見(jiàn)的原因。盡管肺癌的一年生存率有所提高，但五年或五年以上的凈生存率低至13.8%[2]，這主要因?yàn)樽畛踉\斷時(shí)，高達(dá)55%的患者已經(jīng)處于肺癌晚期階段 [3]。孤立的肺結(jié)節(jié)其中很大一部分可能是可以治愈的早期肺癌，因此肺結(jié)節(jié)作為早期肺癌的準(zhǔn)確分類(lèi)對(duì)于降低肺癌的發(fā)病率和死亡率至關(guān)重要。幸運(yùn)的是，胸部低劑量計(jì)算機(jī)斷層掃描（low-dose computed tomography，LDCT）被認(rèn)為是肺癌篩查的主要方法[4-6]。但是，盡管通過(guò)LDCT可以提高對(duì)肺結(jié)節(jié)檢測(cè)的敏感性，但對(duì)肺癌診斷的特異性仍然較低[5]。與高死亡率和高發(fā)病率相關(guān)的肺癌需要對(duì)肺癌篩查技術(shù)進(jìn)行改進(jìn)和修改，而解決此問(wèn)題的一種可能方法是使用人工智能（artificial intelligence，AI）。就肺結(jié)節(jié)分類(lèi)及肺癌篩查而言，人工智能提供了一些算法來(lái)幫助放射科醫(yī)生，此類(lèi)技術(shù)可以用計(jì)算機(jī)輔助診斷系統(tǒng)（computer aided diagnosis System， CAD）的通用名稱(chēng)來(lái)表示，它可以識(shí)別候選結(jié)節(jié)并檢索盡可能多的診斷相關(guān)信息。本文將從計(jì)算機(jī)輔助診斷的放射學(xué)和深度學(xué)習(xí)方面對(duì)AI在肺結(jié)節(jié)分類(lèi)及早期肺癌篩查中的應(yīng)用研究進(jìn)展進(jìn)行綜述。

1、用于檢測(cè)和診斷肺結(jié)節(jié)的計(jì)算機(jī)輔助系統(tǒng)

人工智能被定義為一門(mén)計(jì)算機(jī)科學(xué)學(xué)科，專(zhuān)注于創(chuàng)造能夠感知世界并執(zhí)行類(lèi)似于人類(lèi)的機(jī)器，最初的AI算法用于簡(jiǎn)單數(shù)據(jù)的分析，是由程序員進(jìn)行硬編碼的，無(wú)法識(shí)別未經(jīng)特別編程的模式[7]。機(jī)器學(xué)習(xí)（Machine learning，ML）是AI的一個(gè)子領(lǐng)域，算法可以識(shí)別和學(xué)習(xí)復(fù)雜數(shù)據(jù)集中的模式以產(chǎn)生智能預(yù)測(cè)，而不是通過(guò)顯式編程來(lái)實(shí)現(xiàn)[8]。但是，大多數(shù)傳統(tǒng)的ML算法仍然需要人工輸入，并且這種算法能夠評(píng)估的模式仍然相當(dāng)簡(jiǎn)單。肺結(jié)節(jié)識(shí)別過(guò)程中使用的算法以計(jì)算機(jī)輔助診斷系統(tǒng)的通用名稱(chēng)進(jìn)行引用。CAD系統(tǒng)分為兩個(gè)子類(lèi)別：計(jì)算機(jī)輔助檢測(cè)（CADe）和計(jì)算機(jī)輔助診斷（CADx）系統(tǒng)，用于檢測(cè)肺結(jié)節(jié)的CAD系統(tǒng)通常包括四個(gè)階段：肺分割，結(jié)節(jié)檢測(cè)，特征分析和假陽(yáng)性消除[9]。為了應(yīng)對(duì)這些挑戰(zhàn)，許多研究人員已經(jīng)探索了從肺結(jié)節(jié)中提取信息以提高結(jié)節(jié)檢測(cè)的敏感性。在現(xiàn)有方法中，用于肺結(jié)節(jié)檢測(cè)的CAD在2000年代初開(kāi)始使用傳統(tǒng)的ML方法，研究人員手動(dòng)提取CT圖像中節(jié)點(diǎn)的特征和屬性，并將其輸入到分類(lèi)器或神經(jīng)網(wǎng)絡(luò)中，例如支持向量機(jī)（SVM）[10]。

用于肺結(jié)節(jié)的傳統(tǒng)CAD算法基于以下主要步驟：肺分割以及肺結(jié)節(jié)的檢測(cè)和分類(lèi)。首先是肺部分割，方法是從輸入的CT圖像中去除背景和不需要的區(qū)域以縮小圖像區(qū)域以進(jìn)行進(jìn)一步檢查。多年來(lái)，已為此目的開(kāi)發(fā)了許多算法，第一種方法集中于二維（2D）和三維（3D）區(qū)域增長(zhǎng)算法[11]，其他廣泛使用的算法是有效輪廓模型[12]。近年來(lái)，深度學(xué)習(xí)算法具有較低的敏感度和準(zhǔn)確性，已經(jīng)取代了傳統(tǒng)方法。當(dāng)前最先進(jìn)的方法是利用統(tǒng)計(jì)有限元分析或三維肺分割，通過(guò)對(duì)抗性神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到改進(jìn)[13]。其次是進(jìn)行結(jié)節(jié)候選檢測(cè)，以識(shí)別懷疑是惡性肺結(jié)節(jié)的肺內(nèi)結(jié)構(gòu)。已經(jīng)發(fā)布了許多算法來(lái)完成結(jié)節(jié)檢測(cè)任務(wù)，其中，多個(gè)灰度閾值被認(rèn)為是最好的[14]，但是，基于形狀和模板匹配的算法，以及具有凸度模型和基于濾波的形態(tài)學(xué)方法，也能夠成功地高精度檢測(cè)候選結(jié)節(jié)。在2019年，提出了多邊形逼近算法，隨后在2020年提出了神經(jīng)進(jìn)化方案[15]。自2016年以來(lái)，深度學(xué)習(xí)網(wǎng)絡(luò)在結(jié)節(jié)檢測(cè)中發(fā)揮了重要作用。

所選特征的數(shù)量和用于分類(lèi)的ML模型的類(lèi)型取決于所使用的CAD系統(tǒng)的類(lèi)型。盡管傳統(tǒng)的ML CAD成功地輔助了結(jié)節(jié)的檢測(cè)，但是傳統(tǒng)的ML的一個(gè)陷阱是過(guò)擬合，因?yàn)閷?duì)于特定的訓(xùn)練數(shù)據(jù)集，明顯的高算法性能無(wú)法在其他獨(dú)立的數(shù)據(jù)集上得到復(fù)制[10]。盡管到目前為止進(jìn)行了所有研究，但仍然非常需要改進(jìn)用于肺癌診斷的現(xiàn)有CAD算法。

2、放射學(xué)在肺結(jié)節(jié)分類(lèi)及早期肺癌篩查中的應(yīng)用

肺結(jié)節(jié)是低對(duì)比度的組織，很難與周?chē)h(huán)境區(qū)分開(kāi)，但是，每個(gè)結(jié)節(jié)都包含可由ML中的“特征”表示的特征，對(duì)于醫(yī)學(xué)成像，這些功能通常是數(shù)字的。在開(kāi)發(fā)CAD系統(tǒng)的同時(shí)，有研究提出了現(xiàn)有的CAD算法的主要缺點(diǎn)是缺乏對(duì)可用于確定已識(shí)別結(jié)節(jié)是癌性還是良性的一組特征的嚴(yán)格定義，因此定義了一個(gè)新的概念，叫做radimics，放射學(xué)[16]。 放射學(xué)是與從圖像中提取一組特征有關(guān)的不斷發(fā)展的領(lǐng)域，這允許將醫(yī)學(xué)圖像自動(dòng)分類(lèi)到預(yù)定義的組中，該過(guò)程包括一系列連續(xù)的步驟，包括圖像采集和預(yù)處理，所需感興趣區(qū)域的分割，定義特征的計(jì)算，特征工程以及分類(lèi)模型的構(gòu)建[17]。Radiomics是基于使用數(shù)據(jù)特征化算法從單個(gè)圖像中提取大量特征的基礎(chǔ)，這些特征有助于識(shí)別隱藏在人類(lèi)專(zhuān)家的肉眼中的癌癥特征。但是，放射線圖像處理管道比簡(jiǎn)單的特征提取包含更多的步驟。放射學(xué)特征計(jì)算之前采取的步驟是對(duì)感興趣區(qū)域（ROI）進(jìn)行分割，由于缺乏準(zhǔn)確的“金標(biāo)準(zhǔn)”技術(shù)來(lái)進(jìn)行肺結(jié)節(jié)分割，因此在大多數(shù)情況下需要手動(dòng)進(jìn)行分割[18]。每種放射組學(xué)分析的第三部分是肺結(jié)節(jié)分類(lèi)—執(zhí)行以下任務(wù)之一的模型選擇過(guò)程：（I）將分析結(jié)節(jié)分為兩類(lèi)：惡性或良性;（II）預(yù)測(cè)對(duì)治療的反應(yīng)（主要是放射治療）;或（III）預(yù)測(cè)患者的整體存活率[19]。

研究表明，放射線學(xué)可以提高基于低劑量計(jì)算機(jī)斷層掃描（LDCT）的肺癌篩查和肺結(jié)節(jié)分類(lèi)的準(zhǔn)確率，可以很好的將良性和惡性肺結(jié)節(jié)進(jìn)行分類(lèi)[20]。為了對(duì)孤立的肺結(jié)節(jié)進(jìn)行初步評(píng)估和監(jiān)測(cè)，英國(guó)胸科學(xué)會(huì)[21]（BTS）指南通過(guò)計(jì)算結(jié)節(jié)的體積倍增時(shí)間（VDT）來(lái)評(píng)估結(jié)節(jié)的穩(wěn)定性和增長(zhǎng)率，因?yàn)镹ELSON肺癌篩查試驗(yàn)的數(shù)據(jù)表明， VDT可以評(píng)估惡性腫瘤的可能性[22]。有研究在基于紋理的基礎(chǔ)上所提取出來(lái)的放射特征來(lái)對(duì)結(jié)節(jié)進(jìn)行分類(lèi)，結(jié)果在良惡性結(jié)節(jié)的分類(lèi)中達(dá)到了82.7%的準(zhǔn)確性[23]。在另一項(xiàng)研究中，他們將篩查良性肺結(jié)節(jié)與肺癌的病人分成兩組，從每個(gè)結(jié)節(jié)中提取放射特征來(lái)用于預(yù)測(cè)隨后出現(xiàn)的癌癥，結(jié)果隨機(jī)森林分類(lèi)器中的特征預(yù)測(cè)到結(jié)節(jié)將在1年和2年內(nèi)癌變，其準(zhǔn)確度分別為80%和79%[24]。

基于低劑量計(jì)算機(jī)斷層掃描（LDCT）圖像計(jì)算的放射學(xué)特征經(jīng)常用于肺癌的篩查和診斷，研究表明[4]，與分子或血液測(cè)試不同，該方法支持早期發(fā)現(xiàn)肺癌。全國(guó)肺部篩查試驗(yàn)證明了放射性組學(xué)在早期發(fā)現(xiàn)惡性肺結(jié)節(jié)方面的有效性，篩查組與肺癌相關(guān)的死亡人數(shù)比對(duì)照組低20%[25]。有研究證明放射線學(xué)是區(qū)分惡性腫瘤和良性腫瘤的有效工具，其準(zhǔn)確度為79.06%，靈敏度為78.00%，特異性為76.11%[26]。在另一項(xiàng)研究中[27]，提供了53個(gè)特征的放射性標(biāo)記，可以對(duì)惡性結(jié)節(jié)和良性結(jié)節(jié)進(jìn)行分類(lèi)，其曲線下面積（AUC）等于72%。

3、深度學(xué)習(xí)在肺結(jié)節(jié)分類(lèi)及早期肺癌篩查中的應(yīng)用

深度學(xué)習(xí)（DL）算法的發(fā)展使機(jī)器能夠處理高維數(shù)據(jù)，例如多維解剖圖像和視頻，DL是ML的一個(gè)子領(lǐng)域，它描述了受人腦結(jié)構(gòu)和功能啟發(fā)的學(xué)習(xí)算法[13]。多年來(lái)，隨著技術(shù)的不斷發(fā)展，已經(jīng)開(kāi)發(fā)了不同的深度學(xué)習(xí)技術(shù)[28]，例如卷積神經(jīng)網(wǎng)絡(luò)（CNN），生成對(duì)抗模型（GAN），深度自動(dòng)編碼器（DAN），卷積自動(dòng)編碼器（CAE），遞歸神經(jīng)網(wǎng)絡(luò)（RNN），等。近年來(lái)，深度學(xué)習(xí)方法已應(yīng)用于胸腔成像的多個(gè)方面，比如量化彌漫性肺部疾病、結(jié)核或肺炎的檢測(cè)以及肺結(jié)節(jié)的評(píng)估，而DL在胸腔成像中最常見(jiàn)的用途是此時(shí)的肺結(jié)節(jié)評(píng)估[3]。DL在肺結(jié)節(jié)分類(lèi)中的使用比較研究表明，其優(yōu)于標(biāo)準(zhǔn)ML技術(shù)。有研究在2017年推出了一種基于Lung-RADS的DL系統(tǒng)，該系統(tǒng)在結(jié)節(jié)分類(lèi)性能上超過(guò)了傳統(tǒng)的ML，同時(shí)保持觀察者間的可變性可與四個(gè)有經(jīng)驗(yàn)的人類(lèi)觀察者相提并論[29]。在2018年，研究報(bào)道了一種通用的DL系統(tǒng)，它有可能成為肺癌檢測(cè)的有價(jià)值的工具，因?yàn)樗趨^(qū)分惡性結(jié)節(jié)和良性結(jié)節(jié)方面達(dá)到了91.2%的準(zhǔn)確率[30]。 在2019年，研究報(bào)道了一個(gè)DL網(wǎng)絡(luò)，該網(wǎng)絡(luò)使用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）研究了CT圖像中肺結(jié)節(jié)的自動(dòng)分類(lèi)，結(jié)果顯示可以區(qū)分出66.7%的良性結(jié)節(jié)和93.9%的惡性結(jié)節(jié)[31]。。

深度神經(jīng)網(wǎng)絡(luò)已成功用于許多與自動(dòng)圖像識(shí)別相關(guān)的應(yīng)用中，在分析肺癌圖像時(shí)，深度神經(jīng)網(wǎng)絡(luò)主要用于執(zhí)行兩項(xiàng)關(guān)鍵任務(wù)：（I）肺結(jié)節(jié)的檢測(cè)和分割;（II）肺結(jié)節(jié)的分類(lèi)[32]。有研究[33]描述了一種基于多模式稀疏表示的分類(lèi)（mSRC）方法來(lái)診斷肺癌，他們的研究捕獲了穿刺活檢標(biāo)本，并自動(dòng)分割了4372個(gè)細(xì)胞核區(qū)域以進(jìn)行肺癌分類(lèi)，并且平均達(dá)到了88.10%的分類(lèi)準(zhǔn)確率。有研究報(bào)道[34] 了一種基于CT掃描圖像的肺癌自動(dòng)檢測(cè)方法，作者使用了優(yōu)化的集成學(xué)習(xí)廣義神經(jīng)網(wǎng)絡(luò)（DAELGNN），獲得了超過(guò)99%的分類(lèi)精度。有研究[28]描述了一種基于肺癌的診斷方法，該方法基于使用CNN的基于感興趣結(jié)節(jié)區(qū)域（ROI）的特征學(xué)習(xí)，他們從肺圖像數(shù)據(jù)庫(kù)協(xié)會(huì)（LIDC）和傳染病研究所（IDRI）數(shù)據(jù)庫(kù)中收集了CT掃描圖像，并利用生成對(duì)抗網(wǎng)絡(luò)（GAN）生成了其他圖像以增加樣本量，他們使用基于CNN的分類(lèi)算法實(shí)現(xiàn)了93.9%的分類(lèi)精度。美國(guó)學(xué)者描述了一種基于CT掃描圖像的肺結(jié)節(jié)檢測(cè)方法，采用的是輕型CNN體系結(jié)構(gòu)，經(jīng)過(guò)對(duì)LIDC數(shù)據(jù)集的測(cè)試，他們的模型在區(qū)分正常，良性和惡性病例的同時(shí)，實(shí)現(xiàn)了97.9%的分類(lèi)準(zhǔn)確率[35]。

需要診斷自動(dòng)檢測(cè)到的肺結(jié)節(jié)，以確定它們是惡性還是良性的，此過(guò)程最初由CAD系統(tǒng)執(zhí)行，現(xiàn)在已成為深度神經(jīng)網(wǎng)絡(luò)的一項(xiàng)任務(wù)。研究報(bào)道[36]了使用定制混合鏈接網(wǎng)絡(luò)（CMixNet）架構(gòu)的深度學(xué)習(xí)模型，結(jié)合臨床因素來(lái)檢測(cè)結(jié)節(jié)，可以降低肺癌早期階段的假陽(yáng)性率和誤診率，并且發(fā)現(xiàn)具有更高的敏感性和特異性。有研究[37]提出了一種通過(guò)將手工制作的特征（HF）與三維（3D）深層卷積神經(jīng)網(wǎng)絡(luò)（CNN）派生的特征融合來(lái)預(yù)測(cè)具有更高敏感性和特異性的肺結(jié)節(jié)惡性腫瘤的算法，該融合算法克服了HF的缺點(diǎn)，與其他競(jìng)爭(zhēng)性分類(lèi)模型相比，發(fā)現(xiàn)其具有最高的AUC，靈敏度，特異性和準(zhǔn)確性。有研究報(bào)道[38]了一種基于螢火蟲(chóng)群優(yōu)化（GSO）的肺癌預(yù)測(cè)方法，該方法使用了多個(gè)來(lái)源的圖像，他們選擇了遞歸神經(jīng)網(wǎng)絡(luò)（RNN）作為他們的學(xué)習(xí)算法，并獲得了最高98%的準(zhǔn)確性。有研究表明使用CNN模型的深度學(xué)習(xí)方法能夠成功地檢測(cè)出腫瘤，在檢測(cè)肺癌中具有0.93的敏感性，0.82的精確度，并且能夠?qū)ο侔Ⅶ[狀細(xì)胞癌進(jìn)行區(qū)分[39]。

4、總結(jié)

綜上所述，人工智能一直被證明是一個(gè)有前途的進(jìn)步，幾乎所有研究都得出結(jié)論，將AI納入胸部放射學(xué)領(lǐng)域?qū)⑼ㄟ^(guò)更早，準(zhǔn)確地檢測(cè)出肺癌，從而改善患者的護(hù)理及預(yù)后。由于更好的辨別力和對(duì)更大比例的肺結(jié)節(jié)的評(píng)估，可以減少遺漏的癌癥。各種人工智能算法的發(fā)展有益于各種條件下的胸腔成像。目前，肺結(jié)節(jié)的分類(lèi)及其早期肺癌的診斷問(wèn)題仍未完全解決，多年來(lái)，雖然存在基于放射學(xué)和深度學(xué)習(xí)的方法為代表的許多計(jì)算機(jī)輔助的檢測(cè)系統(tǒng)及各類(lèi)技術(shù)。但是，此類(lèi)方法的金標(biāo)準(zhǔn)尚未完全建立，如果能夠?qū)⒎派鋵W(xué)和深度學(xué)習(xí)技術(shù)成功結(jié)合，那么我們相信將為放射科醫(yī)生提供一個(gè)強(qiáng)大，靈敏，準(zhǔn)確的計(jì)算機(jī)輔助診斷工具來(lái)用于肺結(jié)節(jié)的分類(lèi)及早期肺癌的篩查及診斷。通過(guò)早期篩查、診斷，適當(dāng)?shù)闹委?，從而帶?lái)更好的患者預(yù)后，這具有重要的臨床價(jià)值。

參考文獻(xiàn)：

[1] Guo J， Wang C， Xu X， et a1.DeepLN： an artificial intelligence-based automated system for lung cancer screening. Ann Transl Med.2020 Sep;8（18）：1126. DOI： 10.21037/atm-20-4461

[2]Joy Mathew C， David AM， Joy Mathew CM. Artificial Intelligence and its future potential in lung cancer screening. EXCLI J. 2020 Dec 11;19：1552-1562. DOI： 10.17179/excli2020-3095.

[3]Tandon YK， Bartholmai BJ， Koo CW. Putting artificial intelligence （AI） on the spot： machine learning evaluation of pulmonary nodules. J Thorac Dis. 2020 Nov;12（11）：6954-6965. DOI： 10.21037/jtd-2019-cptn-03

[4]Oudkerk M， Liu S， Heuvelmans MA， et a1. Lung cancer LDCT screening and mortality reduction - evidence， pitfalls and future perspectives. Nat Rev Clin Oncol. 2021 Mar;18（3）：135-151. DOI： 10.1038/s41571-020-00432-6.

[5]Moldovanu D， de Koning HJ， van der Aalst CM. Lung cancer screening and smoking cessation efforts. Transl Lung Cancer Res. 2021 Feb;10（2）：1099-1109. DOI：10.21037/tlcr-20-899.

[6]Mesa-Guzmán M， González J， Alcaide AB， et a1. Surgical Outcomes in a Lung Cancer-Screening Program Using Low Dose Computed Tomography. Arch Bronconeumol. 2021 Feb;57（2）：101-106. DOI：10.1016/j.arbres.2020.03.026

[7]Prayer F， R?hrich S， Pan J， et a1. [Artificial intelligence in lung imaging]. Radiologe. 2020 Jan;60（1）：42-47. DOI：10.1007/s00117-019-00611-2.

[8]Hosny A， Parmar C， Quackenbush J， et a1. Artificial intelligence in radiology. Nat Rev Cancer. 2018 Aug;18（8）：500-510. DOI：10.1038/s41568-018-0016-5.

[9]肖煥輝，袁程朗，馮仕庭等.基于深度學(xué)習(xí)的癌癥計(jì)算機(jī)輔助分類(lèi)診斷研究進(jìn)展[J].國(guó)際醫(yī)學(xué)放射學(xué)雜志，2019， 42 （1）： 22-25;58.DOI：10.19300/j.2019.Z6366zt

[10]邱露，方向明，陳宏偉.人工智能輔助CT肺結(jié)節(jié)良惡性鑒別的研究進(jìn)展[J].臨床放射學(xué)雜志，2019，38（12）：2453-2456. DOI：10.13437/j.cnki.jcr.2019.12.051

[11]Duan HH， Gong J， Sun XW， et a1. Region growing algorithm combined with morphology and skeleton analysis for segmenting airway tree in CT images. J Xray Sci Technol. 2020;28（2）：311-331. DOI：10.3233/XST-190627.

[12]Abdoli M， Dierckx RA， Zaidi H. Contourlet-based active contour model for PET image segmentation. Med Phys. 2013 Aug;40（8）：082507. DOI：10.1118/1.4816296.

[13]Aydin N， ?elik ?， Aslan AF， et a1. Detection Of Lung Cancer On Computed Tomography Using Artificial Intelligence Applications Developed By Deep Learning Methods And The Contribution Of Deep Learning To The Classification Of Lung Carcinoma. Curr Med Imaging. 2021 Feb 4. DOI：10.2174/1573405617666210204210500.

[14]Tamal M. Intensity threshold based solid tumour segmentation method for Positron Emission Tomography （PET） images： A review. Heliyon. 2020 Oct 27;6（10）：e05267. DOI：10.1016/j.heliyon.2020.e05267.

[15]Le WT， Maleki F， Romero FP， et a1. Overview of Machine Learning： Part 2： Deep Learning for Medical Image Analysis. Neuroimaging Clin N Am. 2020 Nov;30（4）：417-431. DOI：10.1016/j.nic.2020.06.003.

[16]Tunali I， Gillies RJ， Schabath MB. Application of Radiomics and Artificial Intelligence for Lung Cancer Precision Medicine. Cold Spring Harb Perspect Med. 2021 Jan 11：a039537. DOI： 10.1101/cshperspect.a039537.

[17]余燁，吳華偉;影像組學(xué)在肺癌中的應(yīng)用進(jìn)展[J].國(guó)際醫(yī)學(xué)放射學(xué)雜志， 2018，41（6）： 646-649.DOI： 10.19300/j.2018.Z643。

[18]Refaee T， Wu G， Ibrahim A， et a1. The Emerging Role of Radiomics in COPD and Lung Cancer. Respiration. 2020;99（2）：99-107. DOI： 10.1159/000505429.

[19]Ather S， Kadir T， Gleeson F. Artificial intelligence and radiomics in pulmonary nodule management： current status and future applications. Clin Radiol. 2020 Jan;75（1）：13-19. DOI： 10.1016/j.crad.2019.04.017.

[20]Avanzo M， Stancanello J， Pirrone G， et a1.Radiomics and deep learning in lung cancer. Strahlenther Onkol. 2020 Oct;196（10）：879-887. DOI： 10.1007/s00066-020-01625-9.

[21]Horeweg N， van der Aalst CM， Vliegenthart R， et al.?Volumetric computed tomography screening for lung cancer： three rounds of the NELSON trial.?Eur Respir J?2013;42：1659-1667. DOI：10.1183/09031936.00197712.

[22]Wilson R， Devaraj A. Radiomics of pulmonary nodules and lung cancer. Transl Lung Cancer Res. 2017 Feb;6（1）：86-91. DOI：10.21037/tlcr.2017.01.04.

[23]Zhou Z， Li S， Qin G， et al. Multi-Objective-Based Radiomic Feature Selection for Lesion Malignancy Classification. IEEE J Biomed Health Inform. 2020 Jan;24（1）：194-204. DOI：10.1109/JBHI.2019.2902298.

[24]Hawkins S， Wang H， Liu Y， et al. Predicting Malignant Nodules from Screening CT Scans. J Thorac Oncol 2016;11：2120-2128. DOI： 10.1016/j.jtho.2016.07.002.

[25]Bi WL， Hosny A， Schabath MB， et al. Artificial intelligence in cancer imaging： Clinical challenges and applications. CA Cancer J Clin. 2019 Mar;69（2）：127-157. DOI：10.3322/caac.21552.

[26]Binczyk F， Prazuch W， Bozek P， et al. Radiomics and artificial intelligence in lung cancer screening. Transl Lung Cancer Res. 2021 Feb;10（2）：1186-1199. DOI： 10.21037/tlcr-20-708.

[27]Dercle L， Fronheiser M， Lu L， et al.Identification of Non-Small Cell Lung Cancer Sensitive to Systemic Cancer Therapies Using Radiomics. Clin Cancer Res. 2020 May 1;26（9）：2151-2162. DOI：10.1158/1078-0432.CCR-19-2942.

[28]孟慶成，高朋瑞，郭蘭偉，等.基于多階段三維深度卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)輔助診斷系統(tǒng)在肺癌篩查中的應(yīng)用[J].中華放射學(xué)雜志，2020，54（06）：552-556. DOI：10.3760/cma.j.cn112149-20200414-00554-1

[29]Ciompi F， Chung K， van Riel SJ， et al. Towards automatic pulmonary nodule management in lung cancer screening with deep learning. Sci Rep 2017;7：46479. DOI：10.1038/srep46479.

[30]Jung H， Kim B， Lee I， et al. Classification of lung nodules in CT scans using three-dimensional deep convolutional neural networks with a checkpoint ensemble method. BMC Med Imaging. 2018 Dec 3;18（1）：48. DOI：10.1186/s12880-018-0286-0.

[31]Onishi Y， Teramoto A， Tsujimoto M， et al. Automated Pulmonary Nodule Classification in Computed Tomography Images Using a Deep Convolutional Neural Network Trained by Generative Adversarial Networks. Biomed Res Int. 2019 Jan 2;2019：6051939. DOI：10.1155/2019/6051939.

[32]Wang J， Lin L， Zhao S， et al. [Research progress on computed tomography image detection and classification of pulmonary nodule based on deep learning]. Sheng Wu Yi Xue Gong Cheng Xue Za Zhi. 2019 Aug 25;36（4）：670-676. DOI：10.7507/1001-5515.201806019.

[33]Masud M， Sikder N， Nahid AA， et al. A Machine Learning Approach to Diagnosing Lung and Colon Cancer Using a Deep Learning-Based Classification Framework. Sensors （Basel）. 2021 Jan 22;21（3）：748. DOI：10.3390/s21030748.

[34]Shakeel P.M， Tolba A， Al-Makhadmeh Z， et al. Automatic detection of lung cancer from biomedical data set using discrete AdaBoost optimized ensemble learning generalized neural networks. Neural Comput. Appl. 2020;32：777-790. DOI：10.1007/s00521-018-03972-2.

[35]Li X， Hu B， Li H， et al. Application of artificial intelligence in the diagnosis of multiple primary lung cancer. Thorac Cancer. 2019 Nov;10（11）：2168-2174. DOI：10.1111/1759-7714.13185. DOI：10.1111/1759-7714.13185.

[36]Nasrullah N， Sang J， Alam MS， et al. Automated Lung Nodule Detection and Classification Using Deep Learning Combined with Multiple Strategies. Sensors （Basel）. 2019 Aug 28;19（17）：3722. DOI：10.3390/s19173722.

[37]Eun H， Kim D， Jung C， et al. Single-view 2D CNNs with fully automatic non-nodule categorization for false positive reduction in pulmonary nodule detection. Comput Methods Programs Biomed. 2018 Oct;165：215-224. DOI：10.1016/j.cmpb.2018.08.012.

[38]Huang X， Sun W， Tseng TB， et al. Fast and fully-automated detection and segmentation of pulmonary nodules in thoracic CT scans using deep convolutional neural networks. Comput Med Imaging Graph. 2019 Jun;74：25-36. DOI：10.1016/j.compmedimag.2019.02.003.

[39]Moitra D， Mandal RK. Automated AJCC （7th edition） staging of non-small cell lung cancer （NSCLC） using deep convolutional neural network （CNN） and recurrent neural network （RNN）. Health Inf Sci Syst. 2019 Jul 30;7（1）：14. DOI：10.1007/s13755-019-0077-1.

作者簡(jiǎn)介：李娟娟，（1992-）女，漢族，云南大理，碩士，研究方向：醫(yī)學(xué)影像診斷、技術(shù)與人工智能。

【基金項(xiàng)目】祥云縣級(jí)科研立項(xiàng)項(xiàng)目，編號(hào)：DX2020SF15