肺癌是肺、气管或支气管细胞发生异常分裂增生形成恶性肿瘤，与良性肿瘤不同的是恶性肿瘤生长不受限制，会透过淋巴、血液等转移入侵、破坏身体其他器官，即使开刀切除仍可能复发。
吸烟是肺癌最大的危险因子，另外患有相关疾病像结核病、慢性肺病、家族成员曾经罹患肺癌、暴露在空气污染、油烟、二手烟、石绵环境中都增加罹患肺癌的风险。肺癌也成为最近几年许多国家民众十大癌症死因第一位，台湾每年超过九千人死于肺癌，美国每年也有十六万人死于肺癌。
防治肺癌的最好方式就是早期诊断，不但可以防止癌细胞扩散也能提升病患生活品质与存活机率，然实务上面临许多问题。肺癌早期诊断的困难在于症状不明显，等到身体出现异状就诊时大多晚期相当严重或癌细胞巳经转移。病患若罹患肺癌早期诊断出来并接受治疗存活率最佳，以低剂量电脑断层扫描(Low-dose computed tomography，LDCT) 检验肺癌虽然比传统胸部X光加上痰液检验更有效，可以减少病患肺癌死亡率达百分之二十到百分之四十三，却有费用昂贵、长期追踪辐射暴露剂量高、准确度仍不足、过度诊断等问题。美国加州谷歌健康研究中心(Google Health Research) 研究团队发现电脑人工智能可以判读电脑断层扫描影像协助医师诊断早期肺癌，初步测试效果很好，准确率与放射学家不相上下。
研究团队运用电脑深度学习(deep learning) 演算法分析芝加哥西北大学医院电子资料库里面四万二千多笔低剂量电脑断层扫描影像。
电脑深度学习巳经应用在我们生活中许多角落，像是智能手机、生活助理的语音辨识、车辆自动驾驶等。深度学习是电脑机器学习的其中一种，特别的是在设计理念上仿照人体神经系统网络结构，让电脑能够进行复杂运算、像人类般统整资料做出判断。而判断的优劣则取决于神经网路设计、训练过程与训练资料充足与否。深度学习的神经网路结构有好几种，各有其擅长领域，有的适合处理时间、语意资料，有的协助电脑管理正在进行的工作流程，影像辨识则是卷积神经网路(Convolutional Neural Network，CNN) 的强项，擅长处理空间数据资料。
人工智能在深度学习的帮助下，功能变得相当强大，用在影像辨识上效果非常好，医疗方面Google人工智能巳经在协助病理学家由组织切片显微影像分辨癌症、协助眼科医师为糖尿病患者看眼疾，不过还有许多限制需要突破。研究团队教电脑辨识不同影像的特征模式，像肺结核、癌症、骨折等。这套聪明的神经网路系统会按照一系列的指示来操作与反应，接着他们给电脑分析许多病患的断层扫描影像，影像有原始电脑断层影像和早期电脑断层影像两种，这些病患都巳经确诊，其中有罹患肺癌、没有肺癌、还有本来是肿瘤后来恶化成肺癌。早期肺部电脑断层影像十分有用，可以显示肿瘤生长速度是否异常，以此判断为恶性肿瘤。完成调教后这套自动影像评估系统不用人协助即可从提供的影像判断病患是否罹患肺癌。
研究团队把电脑自动评估系统与六位放射学家的诊断一起进行比较，这些放射学家的临床经验最短有四年最长二十年。测试资料总共有6716名肺癌确诊病患的电脑断层影像，结果发现这套自动评估系统的准确率高达94%。如果没有早期电脑断层影像，系统判断出肺癌的假阳性数目比放射学家减少百分之十一，假阴性数目减少百分之五，在有早期电脑断层影像时，系统准确率和放射学家一样好。这套模拟人体神经网路系统那么聪明的原因在于放射学家通常是检视上百张肺部平面电脑断层影像，而电脑自动评估系统则检视大量的立体断层扫描影像，这需要非常大量的电脑运算。电脑透过立体影像比人透过平面影像更容易发现早期肺癌，再加上两个不同时间点的影像，就巳经来到4D的层级。电脑深度学习科技让早期肺癌诊断更加准确，也可以把特定病变分类做得更好。
电脑不但可以诊断出罹癌病患，也帮助没有罹癌的民众脱离昂贵、风险又高的侵入试肺癌检验。不过这套电脑肺癌自动评估系统还在研发阶段，需要更大规模的临床实验来验证其效果。一旦未来研发成功投入医疗，将成为肺癌防治的生力军。
参考:
1、Ardila, D., Kiraly, AP, Bharadwaj, S. et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography . Nature Medicine. 2019.
2、周秉谊。浅谈Deep Learning原理及应用。国立台湾大学计算机及资讯网路中心电子报。2016。
本文来自CASE报科学，本文观点不代表沙鸥科报立场，转载请联系原作者。
