基于人工智能肺癌自动诊断系统在肺癌筛查中的卫生经济学评价研究

Lung cancer ranks first in both morbidity and mortality among all malignant tumors in China, which brings a huge social burden. Low-dose CT screening is recognized as the most powerful measure for lung cancer prevention and control. The current project aims to improve the "intelligent" automatic lung cancer diagnosis and screening system that has been established by us through cross-integration of medical big data + artificial intelligence + public health management, and conduct a health economic evaluation of the system. Objects of the research are mainly composed of lung CT images, medical history text data and epidemiological data of lung cancer screeners. By combining deep convolutional neural networks (CNN), Markov model and cost-effect method (CUA method) ) etc., the specific content of the study includes: 1) Expand the lung cancer screening database, gradually improve the already built "intelligent" lung cancer automatic diagnosis and screening system, and evaluate its "authenticity"; 2) Establish a Markov model for lung cancer screening, and use TreeAge Pro software, and CUA method to assess the cost-effectiveness of the "intelligent" lung cancer automatic diagnosis system; We hope that this interdisciplinary exploration can provide a basis and reference for the rational allocation of medical resources for China's public health management departments and the formulation of lung cancer prevention and control strategies.

肺癌是我国发病率和病死率第一的恶性肿瘤，带来巨大的家庭社会负担，低剂量CT筛查是公认的肺癌防控最有力的措施。本项目拟通过医疗大数据+人工智能+公卫管理交叉融合，完善课题组已基本建立的“智能化”肺癌自动诊断筛查系统，并对该系统进行卫生经济学评估。研究对象主要由肺癌筛查者的CT影像、病历文本资料和流行病学资料等构成，借助深度卷积神经网络（CNN）、Markov模型和成本效应法（CUA法）等方法，具体内容包括：1）扩大肺癌筛查数据库，逐步完善已经构建的“智能化”肺癌自动诊断筛查系统，并对其“真实性”进行评估；2）建立肺癌筛查Markov模型，运用TreeAge Pro软件，CUA法对“智能化”肺癌自动诊断系统进行成本效应评估；希望此跨学科的探索能为我国公卫管理部门合理分配医疗资源，和制定肺癌防控策略提供依据和参考。

本项目拟通过医疗大数据+人工智能+公卫管理交叉融合，完善课题组已基本建立的“智能化”肺癌自动诊断筛查系统，并构建Markov肺癌模型，评价“智能化”肺癌自动诊断筛查系统的卫生经济学。具体完成情况如下：（1）建立了包含具有完整临床数据约5000人的肺癌筛查患者队列，其中；本项目分析了当前基于CT 图像的肺结节自动诊断方法的不足，针对肺结节CT 图像的三维特性设计了三维卷积神经网络结构进行自动化的特征提取与良恶性鉴别，通过引入患者临床信息及异构特征学习方法提高了肺结节良恶性自动鉴别的准确性。通过在上述队列中进行训练和验证，表明所提的肺结节自动诊断模型具有领先的良恶性鉴别效果；（2）在良恶性鉴别的基础上，进一步提出基于CT 图像的肺癌病理组织学自动诊断方法。根据1409 种医学影像特征构建了逻辑回归、支持向量机、决策树、Adaboost 和GBDT 等机器学习模型，用于学习从影像特征到肺癌组织学分型的映射规律。采用基于影像学特征与深度图像特征的联合预测模型，病灶区域的CT 图像表现在组织学诊断中的有效性进行了探究。（3）初步构建了基于神经网络的医学图像的分割与运动跟踪系统，在呼吸等快速运动状态下实现了靶区的有效分割，取得了较高的准确性和鲁棒性。因为新冠疫情等不可控的原因，项目组收集肺癌患者筛查调查问卷进度受到影响，目前已建立Markov 肺癌状态及转移模型，相关数据正在统计分析过程中，即将完成。总之，本项目建立的“智能化”肺癌自动诊断筛查预警系统，有利于经济、便捷、有效的提高肺癌的检测效率和降低漏检率，有望在我国广大医疗资源薄弱的农村地区推广应用。

内容获取失败，请点击重试