CT肺结节智能筛查系统
影像检查
应用于精准影像阅片及诊断
联影智能CT肺结节智能筛查系统可精准检出3mm及以上肺结节，提供结节长短径、体积、密度、成分组成等多维分析结果，自动生成结节良恶性程度预测，辅助医生高效诊断，并提供全自动化、智能化的随访评估分析，自动定位匹配结节，实现多维度联动阅片。
全国三甲医院日均接待200名肺结节检查患者，每位患者常规产生200~300幅影像图片，且影像数量年增长率为30%，而医生数量年增长率仅为4.1%，导致阅片医生资源短缺且影像诊断任务重。
针对不同应用场景下的技术创新、产品创新、业务模式、商业模式的创新。
功能一：结节秒级精准检出，大幅降低漏诊率
CT肺结节智能筛查系统可以秒级检出实性、钙化、部分实性、磨玻璃等不同密度类型肺结节，可自动定位结节所在肺段。结节大小覆盖大于3mm的小结节与大于75px的占位性病变。CT肺结节智能筛查系统对易漏诊的磨玻璃结节敏感性高，能有效降低结节漏诊率，同时提高医生的诊断信心。
肺结节智能检出
功能二：多维量化分析，全面提供病灶信息
CT肺结节智能筛查系统提供长短径、病灶体积、结节密度等相关量化信息。提供结节内部成分分析、典型组学特征值分析以及边缘征象检出，全面展现病灶信息。
肺结节多维量化分析
CT肺结节智能筛查系统支持结节局部VR图像显示，辅助医生查看结节、血管和其它组织的相对位置关系，助力精准诊断。
肺结节局部VR图
功能三：风险等级智能评估，助力精准决策
CT肺结节智能筛查系统以病理结果为依据，能实现结节风险概率的智能预测，并对风险概率值高的结节重点提示。同时基于结节的基本信息，显示不同指南中对结节的风险等级评估，并提供随访建议供医生参考，指南包括：Lung-RADs，NCCN，Fleischner，中国肺部结节分类、诊断与治疗指南，肺结节诊治中国专家共识（2018年版）。在为医生提供更多参考信息的同时，也能助力医生进行精准决策。
结节风险智能预测信息提示
指南意见选择
功能四：智能归档和打印，多种报告模板可供选择
CT肺结节智能筛查系统提供多类型报告模板，同时支持不同医院场景下的报告模板定制化。医生可以选择关键病灶一键生成图文报告，便于医生与患者进行交流，替代传统手动输入写报告的方式，简化医生工作流，节约医生的报告书写时间。
胶片打印预览界面与报告模板选择
功能五：智能随访，精确配准
CT肺结节智能筛查系统具备图像配准（当前-历史影像智能配准）、图层配准（同步翻阅、缩放、调窗、MPR等）、病灶配准（自动找到匹配结节、新增结节与消失结节）以及病灶跟踪随访（量化随访分析，计算结节倍增时间等）等随访相关功能，实现全自动精准配准，帮助医生更加灵活、高效地阅片，协助医生精准评估病情发展。
肺结节随访界面
华西医院和联影智能共同打造了以首个中国版Lung-RADS&肺结节良恶性预测评估为核心的肺结节筛查和报告系统，助力将华西医院的优质资源与专家经验下沉基层，赋能健康中国。
为探索出一套适用于中国人的肺结节诊断分级标准，华西医院与联影智能合作，基于数十万级影像数据、临床参数和病理结果，打造出中国版Lung-RADS肺结节AI评估系统，对肺结节进行低、中、高危、极高危的精准分级，这是首套中国版Lung-RADS肺结节分级标准，专为中国人肺部"独家定制"参考指南，有效辅助医生精准诊断肺结节。
为更好地解决基层地区早癌筛查的种种难点，联影智能率先将肺结节筛查和报告系统和中国Lung-RADS&肺结节良恶性预测评估系统搭载进联影智慧健康管理移动车，借助其移动化的优势，将优质的医疗资源送入千家万户，让基层民众不用来回奔波就能获得华西AI医生的"上门服务"，帮助基层地区癌症筛查水平跃上新的台阶。
根据2020年《全国癌症统计报告》，中国癌症死亡人数约300万，其中肺癌人数有近71.5万，占癌症死亡人数的23.8%。肺结节是肺癌的“信号灯”，是临床上一种常见的现象。但恶性结节早期发病比较隐匿，如果不进行早期干预，会迅速发展成为肺癌。如果能在早期阶段对恶性结节进行切除，将明显改善肺癌患者的预后。
上海联影智能医疗科技有限公司（“联影智能”）是联影集团旗下的人工智能公司，2017年底成立于上海，是集团在人工智能领域中的重要战略布局。依托联影集团高性能的软硬件技术平台与资源优势，联影智能已成为一家能够提供多场景、多疾病、全流程、一体化智能解决方案的医疗 AI 企业，以 AI 赋能临床、科研及设备，覆盖院级管理、医疗创新生态、工作流优化、精准诊疗、个人健康管理等多个 AI 应用场景。
截至目前，联影智能已经获得五张 NMPA三类证，涵盖呼吸、神经、骨科、放疗四大领域，产品落地全国千余家医院，贯穿成像、筛查、随访、诊断、治疗、评估全流程六大环节。
肺部结节智能诊断 csdn
APPLYINGMACHINELEARNINGALGORITHMSTOPATIENTDATAISHELPINGSTANFORDRESEARCHERSBETTERDIAGNOSEANDTREATLUNGDISEASE.
将机器学习算法应用于患者数据正在帮助斯坦福大学的研究人员更好地诊断和治疗肺部疾病。
Partsofmedicinecanbetrialanderror-ifonedrugdoesn’twork,tryanother;ifadiagnosisisn’tleadingtoacure,maybethediagnosisiswrong.Buteliminatingthattrialanderror,throughmoreinformeddiagnostictests,savestimeforbothcliniciansandpatients.Inthedivisionofpulmonary,allergyandcriticalcaremedicine,machinelearningalgorithmsarenowguidingthosemorepersonalizedtreatmentdecisions.
某些药物可能会反复试验-如果一种药物无效，请尝试另一种药物。如果诊断不能治愈，则可能是错误的诊断。但是，通过更明智的诊断测试来消除这种尝试和错误，可以为临床医生和患者节省时间。在肺，过敏和重症监护医学领域，机器学习算法现在正在指导那些更个性化的治疗决策。
“We’reatacriticaljunctureinpulmonarymedicine,whereinnovativeanalysisapproachesareneededtohandlethelargenumberofpatientsamplesandclinicalvariableswearecollectingforresearch,”saysAndrewSweatt,MD,aclinicalassistantprofessorofpulmonary,allergy,andcriticalcaremedicine.“Machinelearningisapromisingtoolthatcanhelpuswithmostofthishigh-throughputdata.”
“我们正处于肺部医学的关键时刻，需要创新的分析方法来处理我们正在收集的大量患者样品和临床变量，以进行研究，”肺部过敏临床助理教授安德鲁·斯威特(AndrewSweatt)说和重症监护药物。“机器学习是一种很有前途的工具，可以帮助我们处理大部分此类高通量数据。”
Inmachinelearning,acomputerprogramsiftsthroughdata-whetherit’sinformationonthelevelsofdifferentmoleculesinabloodsampleorscansofthelungs-andfindsotherwisehiddenpatterns.Often,suchprogramscandoabetterjobthanthehumaneyeatspottingstructureinthedata,findingcorrelationsbetweendataandpatientoutcomes,orpinpointinggroupsofvariablesthatsetsomepatientsapart.
在机器学习中，计算机程序会筛选数据(无论是有关血液样本中不同分子水平的信息还是对肺部扫描的信息)，并找到其他隐藏的模式。通常，这样的程序在发现数据结构，发现数据与患者结果之间的相关性或查明使某些患者与众不同的变量组方面比人眼做得更好。
“We’renottryingtoreplacedoctors,butwithmachinelearning,there’sahugepotentialforaugmentingclinicaldecisionsbyphysicians,”saysHushamSharifi,MD,instructorofpulmonary,allergy,andcriticalcaremedicine.
“我们不是要取代医生，而是通过机器学习，有很大的潜力可以扩大医师的临床决策，”肺部，过敏和重症监护医学的讲师HushamSharifi说。
Manypatientswithpulmonaryarterialhypertension(PAH)haveotherunderlyingdiseases-scleroderma,lupus,cirrhosis,congenitalheartdisease,orHIV,tonameafew.Othershavebeenexposedtodrugsortoxins,suchasmethamphetamine.Andinroughlyathirdtohalfofpatients,therarelungdiseaseappearswithoutanyexplanation.Inallcases,though,theunderlyingdiseaseisthesame:Thesmallarteriesthatcarrybloodthroughthelungsnarrowovertimeduetostructuralchanges.Thisprogressionleadstohighbloodpressureinthelungsandplacesstrainontheheart.
许多肺动脉高压(PAH)患者还有其他潜在疾病-硬皮病，狼疮，肝硬化，先天性心脏病或HIV，仅举几例。其他人则接触过毒品或毒素，如甲基苯丙胺。在大约三分之一至一半的患者中，这种罕见的肺部疾病似乎没有任何解释。但是，在所有情况下，潜在疾病都是相同的：由于结构变化，随着时间的流逝，携带血液通过肺部的小动脉会逐渐变窄。这种进展会导致肺部高压，并使心脏承受压力。
“It’saveryaggressivedisease,andthere’salotofroomtoimprovepatientoutcomes,”saysSweatt.
“这是一种非常具有侵略性的疾病，还有很大的空间可以改善患者的预后，”Sweatt说。
Withouttreatment,nearlyhalfofallpatientsdiewithinfiveyearsoftheirdiagnosis.Overthepastdecade,severaldrugshavebeenapprovedtotreatPAH.Thetreatmentsdon’tconsistentlyworkinallpatients,however,althoughtheyallhavethesamemechanism-torelaxandopenbloodvessels.
未经治疗，将近一半的患者在诊断后五年内死亡。在过去的十年中，已经批准了几种药物来治疗PAH。尽管并非所有患者都具有相同的放松和打开血管的机制，但这些治疗方法并非始终适用于所有患者。
Alargebodyofresearchhassuggestedthatthere’sacomponentofPAHthat’smediatedbytheimmunesystem,andnewdrugsareindevelopmenttotargetthisinflammation.Sweattwantedtoknowwhethersomepatientswouldbebetterhelpedbythesenewdrugs.Untilnow,PAHhasbeengroupedintosubtypesbasedonthepatient’sunderlyingpredisposition,andallsubtypeshavebeentreatedthesame.
大量研究表明，PAH的一部分是由免疫系统介导的，目前正在开发针对这种炎症的新药。斯威特想知道是否有些患者可以通过这些新药得到更好的帮助。到目前为止，PAH已根据患者的潜在易感性分为亚型，并且所有亚型均已接受相同治疗。
Sweattandhiscolleaguescollectedbloodsamplesfrom385PAHpatientsandmeasuredlevelsof48immuneproteinsandsignalingmolecules.Thentheyletamachine-learningprogramparsethedataset.
Sweatt和他的同事从385名PAH患者中收集了血液样本，并测量了48种免疫蛋白和信号分子的水平。然后，他们让机器学习程序解析数据集。
“Mygoalwastoremainagnosticbyavoidingcommonpre-conceivednotionsaboutthedisease,andinsteadletthemoleculardataalonetellthestory,”saysSweatt.
Sweatt说：“我的目标是通过避免对疾病的普遍先入为主的观念来保持不可知论，而仅让分子数据来讲述故事。”
Itworked-theprogramrevealedfourpreviouslyunknownsubtypesofPAHbasedontheimmuneprofilesofthepatients.One-thirdofthepatientsstudiedhadminimalinflammation,suggestingthatdrugstargetingtheimmunesystemmaynotbehelpfulforthem.Thethreeothergroupswereeachdistinguishedbytheiruniqueinflammatorysignaturesintheblood.
它起作用了，该程序根据患者的免疫特征揭示了四种先前未知的PAH亚型。被研究的患者中有三分之一的炎症很小，表明针对免疫系统的药物可能对他们没有帮助。其他三个组分别以其在血液中的独特炎症特征而区分。
Importantly,theclinicaldiseaseseverityandriskofdeathalsodifferedamongthefoursubgroups.
重要的是，四个亚组之间的临床疾病严重程度和死亡风险也有所不同。
“WhatreallystoodoutisthattheseimmunephenotypeswerecompletelyindependentofthecauseofPAH,”saysSweatt.Inotherwords,patientswhohadunderlyingimmunediseaseslikelupusorsclerodermawerejustaslikelytobeineachsubcategoryofPAHaspatientswithnounderlyingdisease.“Itmeanswereallydetectedahiddensystemforclassifyingpatientsthatishighlyrelevanttounderlyingdiseasebiologyandclinicaloutcomes,”hesays.
“真正突出的是这些免疫表型完全独立于PAH的病因，”Sweatt说。换句话说，患有潜在性免疫疾病(如狼疮或硬皮病)的患者与没有潜在疾病的患者一样，属于PAH的每个子类别。他说：“这意味着我们确实检测到了一个用于对患者进行分类的隐藏系统，该系统与潜在的疾病生物学和临床结果高度相关。”
ThedatasuggestthatdifferenttypesofimmunedrugsmayworkagainstPAHfordifferentpatients,butmoreworkisneededtodeterminewhetherthenewimmunesubtypescanhelpguidetreatment.Sweatt’sresearchhasbeenrecognizedasaninnovativefirststeptowardprecisionmedicineinPAH.Buildingonthisfoundationalwork,Sweattalsohasadditionalmachinelearning-basedstudiesplannedtobetterunderstandthebiologicalunderpinningsandtherapyramificationsofeachimmunesubtype.
数据表明，不同类型的免疫药物可能对不同患者的PAH起作用，但是需要更多的工作来确定新的免疫亚型是否可以帮助指导治疗。Sweatt的研究被认为是PAH朝着精准医学迈出的创新性第一步。在此基础工作的基础上，Sweatt还计划进行其他基于机器学习的研究，以更好地了解每种免疫亚型的生物学基础和治疗结果。
Anotherchallengeinvolvesgraft-versus-hostdiseaseofthelungs-alsoknownasbronchiolitisobliteranssyndrome(BOS).Inthatcase,thechallengeisnotdifferentiatingsubtypesofpatients,butdiagnosingtheminthefirstplace.Graft-versus-hostdiseaseisacomplicationofabonemarroworbloodstemcelltransplantinwhichthedonatedbonemarroworstemcellsstartattackingthebody.ButBOScancloselyresembleothercommoncomplicationsofatransplant,includinginfectionsandinflammatorydisorders.
另一个挑战涉及肺移植物抗宿主疾病，也称为闭塞性细支气管炎综合征(BOS)。在那种情况下，挑战不是区分患者的亚型，而是首先诊断它们。移植物抗宿主病是骨髓或血液干细胞移植的并发症，其中捐赠的骨髓或干细胞开始攻击人体。但是BOS可以非常类似于移植的其他常见并发症，包括感染和炎症性疾病。
“Allthesetypesoflungdiseasearepoorlydefined,”saysJoeHsu,MD,anassistantprofessorofpulmonary,allergy,andcriticalcaremedicine.“Thewaywetypicallydiagnosegraft-versus-hostdiseaseistolookforeverythingelseand,ifwedon’tfindanythingelse,diagnosethat.”
“所有这些类型的肺部疾病的定义都不明确，”肺部，过敏和重症监护医学助理教授乔许说。“我们通常诊断移植物抗宿主病的方法是寻找其他一切，如果我们找不到其他东西，则进行诊断。”
HsuandSharifiwantedtodobetteratdiagnosingBOS.TheystartedcollectingCTscansfrompatientswithBOSaswellasfromtransplantpatientswhohadsimilarsymptomsbutdidnothaveBOS.Thentheyusedamachinelearningapproach-tellingacomputerprogramwhichcaseswerewhichandlettingitlearnhowtodifferentiatethem.
Hsu和Sharifi希望在诊断BOS方面做得更好。他们开始从BOS患者以及症状相似但没有BOS的移植患者中收集CT扫描。然后，他们使用机器学习方法，讲述了一个计算机程序，确定了哪些情况，并让其学习如何区分它们。
Themachine,itturnedout,becamesogoodattellingBOSapartfromotherlungdiseasesthatitwasevenslightlybetterthanthoracicradiologists,whoregularlyreadCTscansofthechest.Theprogramlearnedtodifferentiatenormallung,mildBOS,severeBOS,andalternativediagnoses.
事实证明，这台机器与其他肺部疾病相比，能很好地告诉BOS，甚至比定期读取胸部CT扫描的胸腔放射科医生要好得多。该程序学会了区分正常的肺，轻度的BOS，严重的BOS和其他诊断。
“Itwasseeingthingsthattheeyecouldn’tnecessarilypickuponandimprovingthediagnosisquiteabit,”saysHsu.
Hsu说：“看到的东西不一定能引起眼睛的注意并改善了诊断。”
Sinceeachdiagnosisistreateddifferently,fastandeasydiagnosisiscritical.HsuandSharifisayinthefuture,similarprogramsmightbeabletodifferentiateotherdiagnosesaswell,suchaschronicobstructivepulmonarydisease(COPD).Pulmonology,Sharifipointsout,isfullofnumericalandimagingdatathatcanbeleveragedwithmachinelearning.
由于每种诊断的处理方式都不相同，因此快速而简便的诊断至关重要。Hsu和Sharifi表示，将来类似的程序也可能能够区分其他诊断，例如慢性阻塞性肺疾病(COPD)。Sharifi指出，肺病学充满了可以通过机器学习加以利用的数值和影像数据。
“Foralotofotheraspectsofmedicine,it’sabiggerchallengetointegrateartificialintelligencebecauseclinicalnotescanbesomessyandunstructured,”hesays.“Butthisisagoodexampleofwherealgorithmicandcomputationalanalysiscanbeusedhandinhandwithadoctor’sadvancedtrainingandexperience.”
他说：“对于医学的许多其他方面来说，集成人工智能是一个更大的挑战，因为临床笔记可能是如此混乱且无序。”“但是，这是一个很好的例子，可以在医生的高级培训和经验的共同作用下使用算法和计算分析。”