肺结节是目前发病率较高的肺部疾病，目前对于肺结节的诊断主要借助影像数据进行观察，患者随访或者非手术/手术活检获取组织学检查。然而，当前通过影像科医生对影像数据进行观察得到的诊断准确率还不够理想（～70%-85%），患者随访的形式进行确诊会有疾病恶化的可能，而对于小结节(<20mm)，手术活检存在一定的风险性。如果采用深度学习方法，通过病人影像数据对病人微小肺结节良恶性进行鉴别可以提高诊断的准确率以及速度，为医生的诊断提供帮助，使患者得到及时有效的治疗。病理诊断分析是医生进行疾病最终诊断、临床治疗及预后恢复的关键依据，主要采取切取、钳取或穿刺等方式从患者体内取出病变组织，进行病理性检查。然而，病理诊断的准确率受取样部位影响，不同的取样位置可能会带来不同的病理诊断结果，采用人工智能如深度学习方法通过大量具有病理诊断结果的影像数据进行学习产生“无创活检”（Invasive biopsy）智能分析判定算法，用此来自动通过对术前病人影像（如CT图像）进行病理分析获知其病理类型，对解决这一问题有重大的意义，并且能有效减少良性肿瘤患者不必要的活检数量，减轻他们的痛苦，此外，医学诊断除采用对新产生的图像进行分析诊断外，对其与已有的历史图像的相似性对比进行诊断也是常用方法。当前，大部分医院采用PACS（Picture Archiving and Communication System）系统储存每天产生的海量医学图像，如果能从PACS中找出病情类似的图像病历，则可以为医生的诊断提供重要依据，尤其是对于经验不够丰富的医生更是如此，而且在教学中也经常需要大量的相似病例图像进行分析研究。由于语言描述与图像内容之间存在差距，因此这种图像的寻找过程不能够简单的通过文本搜索来进行，这就需要基于图像内容的医学图像搜索技术，同时结合医院的PACS系统，将之前的影像数据充分利用起来，为疾病诊断、教学科研和图像统计分析提供重要的支持。 【展开】 【收起】