由 dawei 研究结果显示，与医学影像联合使用的人工智能系统SE-DenseNet与增强核磁共振图像结合，可以在无创条件下为病患完成癌症分级。研究团队表示，将把该技术应用在其开发的肝癌消融计划导航系统中，以更准确地辅助制定手术规划。
肝癌与癌症分级
在原发性肝癌中，肝细胞癌（HCC）是肝癌的重要分型，占原发性肝癌的70%~90%，是导致全球癌症死亡的第三大肿瘤。
肝癌的分级对病人的临床诊断、治疗方案选择以及预后具有重要的临床意义。
不同于大多数肿瘤，肝癌可以通过非侵入性的影像检查进行确诊。目前诊断肝癌的手段有影像检查、活检、AFP血清检查等，其中最常用的医学影像检查包括CT和MR，CT和MR已经被公认为肝胆和乳腺癌等疾病的非侵入性检查的首选。
病理活检仍是评估病灶恶性程度的必要手段。若能实现基于医学影像的病灶分级，则可以在一定程度上对肿瘤的治疗方案提供参考意见，能降低诊断对病理活检的依赖，极大减轻患者的痛苦。
但在临床应用中，分级结果高度依赖于医生经验，具有较大的主观性。因此，寻求客观、有效的分级评估方法是一个重要的研究方向。
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，构建深度学习网络模型，对肝癌进行客观自动的分级成为目前主流的研究方向之一。
AI为肝癌患者无创分级
中科院苏州医工所戴亚康研究员、周志勇研究员和周庆等人联合丽水市中心医院纪建松副院长团队和苏州大学附属第二医院范国华主任团队，提出了SE-DenseNet网络，开展了基于增强MR图像（层厚3mm~8mm不等）的肝细胞癌恶性程度分级研究。
雷锋网了解到，该研究从丽水市中心医院和苏州大学附属第二医院获取了75位病人的增强核磁共振图像，包括75例动脉期图像、75例静脉期图像、63例延迟期图像，共213个病灶ROI。
研究人员通过结合深度学习中的DenseNet和SENet两种网络结构，构建了SE-DenseNet网络，利用SENet对特征进行权重自学习，从而达到对重要特征的增强的目的，在一定程度上，SE-DenseNet缓解了DenseNet的特征冗余性。