日前，美國國立衛生研究院臨床中心(NIH CC)分享了一個大型CT圖像數據庫，旨在幫助科學家和臨床醫生提高對疾病影像學診斷技能，同時，邀約學術界參與人工智能研究合作。

        該數據庫名為DeepLesion，公布的醫學圖像數據約一千種病變，包括3.2萬份CT圖像和展示的疾病影像學資料。

        CT圖像資料完全匿名化，代表了4400名患者，他們是參加NIH臨床試驗的參與者。

        一般的臨床影像診斷流程是：患者走進CT檢查室接受CT檢查，然後圖像被發送給影像科醫師那裏進行解讀和標注。放射科醫師通常使用電子書簽工具測量並標記有臨床意義的發現或異常。放射影像科醫師保存那些被標記出來的重要發現，以便在以後檢查或複查中再回顧該圖像資料信息。

        然而在實際工作中，那些標記簽卻異常複雜– 包括箭頭、線條、直徑甚至文字描述等等，輔助確定病變位置和大小，提供臨床醫生識別疾病的狀況或腫瘤生長或新發現等。

        NIH開發的DeepLesion影像學數據庫，除了能夠標記出豐富的醫學診斷數據信息，還能幫助科學家創新出了新的數據“標識簽”。DeepLesion不同於目前大多數醫學圖像數據庫，隻能檢測一種類型病變。該數據庫具有多樣性功能- 包括來自全身各種影像學發現，如肺結節、肝腫瘤、淋巴結腫大等。

        在傳統醫學圖像領域裏，收集影像學資料的傳統方法不能提供搜索引擎功能，鑒別圖像信息需要豐富的臨床經驗和輔助技術。DeepLesion數據庫解決了這一技術需求，通過其擁有的深度神經網絡係統，輔助科學家、臨床醫生，甚至AI研發人員創建一個具有統一框架的大規模通用疾病數據搜索引擎和檢測器。

        此次NIH公布影像數據集，也希望更多研究人員和AI開發人員充分利用這一共享資源：

        1、開發一種通用疾病數據“檢測器”，輔助放射科醫師找尋所有病變類型。這樣，作為初始篩查工具檢索CT影像資料，並將檢測結果發送給那些專家/係統，進一步確定和鑒別。

        2、挖掘和研究不同類型病變之間的相關性。在DeepLesion數據資料中，一個CT影像資料中通常標記多個發現。研究人員需要分析彼此關係和新發現。

        3、更精準、自動地測量患者所有病變狀況，包括大小，位置等，以便全麵評估疾病，例如癌症疾病的進展。

        未來，NIH臨床中心希望通過聚集更多CT數據資料，不斷完善和增強DeepLesion數據庫人工智能化，從而提高其檢測精準性。

        研究人員還可以通過3-D技術和病變類型信息，將病變檢測能力提高到更可靠和更明確。DeepLesion數據庫的AI係統還將擴展到其他影像圖像分析應用，包括MRI圖像資料等。