[发明专利]基于轻量级深度学习的肺部CT辅助筛查系统及筛查方法

说明书

本发明涉及基于轻量级深度学习的肺部CT辅助筛查系统，包括数据获取模块、人工智能识别模块和预测结果输出模块，所述数据获取模块和人工智能识别模块连接来使得数据获取模块获得的数据传入人工智能识别模块进行数据筛查得到预测结果，所述人工智能识别模块和预测结果输出模块连接来将预测结果进行展示并自动生成报告。本发明可以充分利用基于医院已诊断肺部CT病例信息作为训练数据，无需额外通过放射科医师专业医学标注CT图像工作，降低了标注成本，同时提升了筛查效率。本发明预测结果以疾病概率形式展现，避免了绝对性的筛查结果，提高了结果的可信度。

技术领域

本发明涉及医疗影像技术领域，具体涉及基于轻量级深度学习的肺部CT辅助筛查系统及筛查方法。

背景技术

肺部CT是目前最常见的肺部检查项目之一。然而现阶段，一方面各个医院的医生负荷度很大，放射科医生总体数量不足，在病患量大的情况下，医生日常工作通常是过于饱和的；其次医生资源分布也不均匀，这会导致不同地区的业务能力差距明显，影响诊断准确率。

随着医疗信息化和人工智能技术今年来的高速发展，医疗数据的类型和规模正以前所未有的速度快速增长，智能化医疗辅助诊断是医疗行业研究热点。

2017年11月，AndrewNg首次提出CheXNet算法(RajpurkarP,Irvin J,Zhu K,etal.CheXNet:Radiologist-Level Pneumonia Detection on Chest X-Rays with DeepLearning[J].2017.https://arxiv.org/pdf/1711.05225.pdf)，利用深度学习技术诊断14种病症，识别胸透照片中肺炎等疾病上的准确率上已经超越人类专业医师。

2018年9月发表在《自然医学》的一项研究显示(Classification and MutationPrediction from Non-Small Cell Lung Cancer Histopathology Images using DeepLearning[J]，https://www.biorxiv.org/content/10.1101/197574v1)，研究者们利用大量数字化病理切片图像重新训练了谷歌的深度学习算法Inception V3，AI识别癌组织和正常组织准确率达到99％，区分腺癌和鳞癌的准确率达到97％。

尽管目前应用人工智能对某些症像的识别取得了进展，但是此项技术不论在国内还是国外都还没有开始大规模的临床验证，甚至缺乏验证的技术和科学方法。这主要存在三方面问题。一是数据标注，深度学习需结合先验知识对模型进行训练，训练集需要事先标注，由于大多数标注依赖人工识别，因此数据标注将耗费较大量人力和时间，特别是医疗专业数据标注需专业医师，错误的标注数据对识别效果影响巨大；二是如此高的识别灵敏率背后，存在假阳性高的问题，由于假阳性过高，医生在二次审核时花费的时间过长，不仅需要判断AI是否发生漏诊，还需要排除假阳性的存在；三是已有的深度学习手段动则成百上千层网络，且需要大量GPU资源，而一些基层医院信息化条件也无法支撑人工智能训练。目前既要节省医疗数据标注成本，又要关注筛查效率与准确性，还要降低人工智能算法硬件资源要求以满足各级医院特别是基层医院使用的，适用于大规模肺部CT智能辅助筛查系统还未见及。

发明内容

本发明的技术问题是提供基于轻量级深度学习的肺部CT辅助筛查系统及筛查方法来解决现有技术医疗数据标注成本高、筛查效率和准确率低、所需硬件资源高的问题。

为解决以上技术问题，本发明的技术方案为：提供基于轻量级深度学习的肺部CT辅助筛查系统，其创新点在于：包括数据获取模块、人工智能识别模块和预测结果输出模块，所述数据获取模块和人工智能识别模块连接来使得数据获取模块获得的数据传入人工智能识别模块进行数据筛查得到预测结果，所述人工智能识别模块和预测结果输出模块连接来将预测结果进行展示并自动生成报告。