克服无注释CT局限：重建气道连通性 提升患者定制“气道地图”完成度
一种能够执着追踪到人眼容易忽视的肺深处末梢气道的人工智能已经问世。
釜山大学和梁山釜山大学医院研究团队开发出一款人工智能模型，能够在计算机断层扫描（CT）影像中找到容易被忽略的末梢气道，并恢复其连通性。
釜山大学18日表示，医生命融合工学部的 Kim Minwoo 教授研究团队与梁山釜山大学医院呼吸内科的 Seol Heeyoon 教授团队通过共同研究，开发出一种基于深度学习的气道分割模型，即使在CT标注不完整的环境下，也能找到末梢（peripheral）气道分支并恢复其连通性。
导航支气管镜的核心在于，基于患者的CT数据生成三维气道地图，并设计通往病变部位的路径。然而，气道越往末梢越细，且在CT上的对比度越低，在影像中不易显现，过去气道分支被漏检的问题反复出现。
这一局限性也出现在人工智能学习中。既有模型以专家标注的数据为“标准答案”进行学习，但末梢气道往往存在标注缺失，导致对实际存在的气道识别不足。尤其是气道分支之间的连通性减弱，被指可能进一步导致导航精度下降。
为了解决这一问题，研究团队并未单纯依赖标签的准确度，而是围绕临床上重要的“气道连通性”和“路径连续性”来设计模型。研究人员利用解剖学语境信息探索末梢气道候选区域，并引入学习方法，以降低在细小结构中产生的不确定性。
同时，模型被设计成即便在因CT分辨率或切片厚度变化而出现末梢气道消失的情况下，也能稳定运行，从而提高在多种临床环境中的应用可能性。
结果显示，该模型在末梢气道重建性能方面表现优异，并在国际医学影像人工智能挑战赛“Airway Tree Modeling Challenge（ATM22）”中，在48支队伍中按末梢气道检测指标位列世界第一。
本次研究成果已于3月9日发表在国际学术期刊《IEEE Transactions on Medical Imaging》上。
研究团队表示：“本研究的意义在于提出了一种人工智能模型，即使在CT数据不完整的情况下，也能精确恢复末梢气道分支的连通性”，并称“今后有望扩展为类似汽车导航那样，在手术过程中也能指示位置的综合医疗导航平台的基础”。
研究团队补充称：“不仅是气道，还可以将适用范围拓展至血管或神经等标注缺失频繁的多种医学影像领域”。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
