最近，中国科学院苏州医学工程研究所与丽水市中心医院和苏州大学第二附属医院的研究团队一起开展了一项新的研究。研究结果表明，将人工智能系统SE-DenseNet与医学成像结合使用增强的MRI图像，可以在无创条件下为患者完成癌症分级。研究团队表示，它将把这项技术应用于其肝癌消融计划导航系统，以更准确地协助制定手术计划。肝癌和癌症分级在原发性肝癌中，肝细胞癌（HCC）是肝癌的重要分类，占原发性肝癌的70％至90％，并且是全世界癌症死亡的第三大主要原因。肝癌的分类对患者的临床诊断，治疗选择和预后具有重要的临床意义。与大多数肿瘤不同，肝癌可以通过非侵入性影像学检查来诊断。目前，诊断肝癌的方法包括影像学检查，活检，AFP血清检查等。最常用的医学影像学检查包括CT和MR。 CT和MR被公认为非侵入性检查的首选，例如肝脏，胆囊和乳腺癌。病理活检仍是评估病变恶性程度的必要手段。如果能够实现基于医学影像的病变分级，则可以在一定程度上为肿瘤的治疗提供参考意见，减少对病理活检诊断的依赖，大大减轻患者的痛苦。但是，在临床应用中，评分结果高度依赖于医生的经验并且具有很高的主观性。因此，寻求一种客观有效的分类评价方法是重要的研究方向。随着模式识别，机器学习，深度学习等技术的不断发展，借助医学影像辅助诊断系统来客观，自动地对肝癌进行分类的深度学习网络模型已成为当前的主流研究方向之一。 AI是肝癌患者的非侵入性分类。中国科学院苏州医学工程学院的戴亚康研究员，周志勇研究员，周庆研究员等，还有丽水市中心医院副院长季建松的团队和中山市第二附属医院范国华主任的团队。东吴大学提出了SE-DenseNet网络，并基于增强的MR图像（切片厚度从3mm到8mm）启动了一项关于肝细胞癌恶性程度的研究。据了解，该研究从苏州大学丽水市中心医院和第二附属医院获得了75例患者的增强MRI图像，包括75例动脉期图像，75例静脉期图像和63例延迟期图像，每个病灶的ROI为213。研究人员通过在深度学习中结合DenseNet和SEnet的两个网络结构来构建SE-DenseNet网络。 SE-DenseNet用于对特征进行权重自学习，以达到增强重要特征的目的。 SE-DenseNet在一定程度上减轻了DenseNet的功能冗余。 SE-DenseNet框架图的实验结果表明，SE-DenseNet的分类性能优于DenseNet和DenseNet-BC（SE-DenseNet：精度= 0.83，DenseNet：精度= 0.72，DenseNet-BC：精度= 0.66） 。研究人员说，将人工智能系统SE-DenseNet与医学成像结合使用增强的MRI图像，可以在无创条件下为患者完成癌症分级。将来，该技术将应用于由其开发的肝癌消融计划导航系统，以帮助更准确地制定手术计划。参与这项研究的苏州医学工程学院研究员周志勇曾经说过：“与传统的基于穿刺的癌症分级相比，使用医学成像+ AI分级可以更全面地获得病变信息，并降低漏检的可能性。使用人工智能对病变进行分类的准确性仍在提高，这表明该技术在疾病诊断和治疗的应用方面具有广阔的前景。另外，据了解，该研究还被授予国家重点研发计划和浙江省重点研发计划。并为苏州市民等项目提供资金；生物技术。