魏淳武，赵涓涓*，唐笑先，强 彦

（1.太原理工大学信息与计算机学院，山西晋中 030600；2.山西省人民医院影像科，太原 030012）

0 引言

由于低剂量计算机断层扫描（Computed Tomography，CT）的出现和应用以及肺癌高风险人群对于大量随访筛查CT 工作的需求，基于低剂量CT的肺部基线以及随访筛查相比过去更加重要。尽管研究者Alberle等［1］通过实验和统计证明低剂量CT对于降低肺癌致死率的作用，但大量的筛查工作仍然会增加那些无法确认的低风险病人的致死率，同时会带来不必要的医疗负担。近期在《柳叶刀》和Nature子刊上发表的关于基于低剂量CT的随访筛查研究表明，使用深度学习方法进行肺癌风险预测可以有效减少这种不必要的筛查工作。此外，国际医学图像顶级会议（Medical Image Computing and Computer Assisted Intervention，MICCAI）也在2019 年的总结展望中指出，利用随访数据和深度学习方法挖掘出更多信息的工作是目前医学图像研究的一大重点。

基于以上两点可以看出，合理利用随访数据进行分类预测的工作具有重要意义，但是，目前有关肺结节的公开数据集中，仅有美国国家肺部筛查实验（National Lung Screening Trial，NLST）作为公开数据提供包括3 年的随访信息的低剂量CT数据，同时也有相关研究者在此数据的基础上做肺癌预测工作。文献［2］中研究者联合了三家机构（约翰霍普金斯大学、英国哥伦比亚癌症研究机构、美国国家癌症研究机构）分别以双盲方式进行了数据再标注和模型验证，证明了利用长时期的数据可以有效预测基线年下肺结节的变化。类似的，Google 研究者［3］借助至少6个放射学专家对NLST的数据进行了再标注和验证。……