近日，威海校区机电与信息工程学院董恩清教授课题组在生物医学和健康信息学国际顶级期刊IEEE Journal of Biomedical and Health Informatics(简写IEEE JBHI）发表了题为“Semi-Supervised Adversarial Learning for Improving the Diagnosis of Pulmonary Nodules”的理论研究论文。威海校区机电与信息工程学院博士研究生傅宇为文章第一作者，董恩清教授为通讯作者，山东大学为唯一完成单位。

肺癌是最常见的癌症之一，全世界每年约有180万人死于肺癌。研究表明，肺癌早期有相当部分表现为肺部结节，由于不同病理类型肺结节的发展速度和恶化程度存在较大差异，因此，实现肺结节多种病理类型的精确诊断对早期肺癌患者的筛查和治疗至关重要。目前用于判定肺结节病理类型的“金标准”是通过对手术或皮肺穿刺得到的相应组织进行病理学检验获得，但是这些侵入性的诊断技术同时也给患者带来了显著的风险，如何避免过度诊疗本属于良性疾病的患者就成了不容忽视的重要问题。

董恩清教授团队自2017年起与全国各大医院和医疗机构合作，开展深入临床的调研与数据收集工作，在国内外第一个依据明确的肺结节病理检验信息构建起用于肺结节多种病理类型多分类诊断的高质量CT影像数据集，在此研究中首次实现了基于CT影像的腺癌、鳞癌、小细胞癌、炎症和良性其他疾病五种肺结节病理类型的智能诊断。基于该研究成果，团队开发了一套完整的云端肺结节智能辅助诊断系统，用户仅需上传患者的CT影像数据即可实时得出肺结节诊断结果。从算法原理上看，为构建精准的肺结节智能诊断模型，该研究提出了一个基于半监督学习的反向对抗分类网络，同步解决了深度学习技术在小样本和不均衡数据集上建模难的问题，为基于深度学习的医学影像分类问题奠定了坚实的理论基础。

本项研究工作得到了国家自然科学基金面上项目(2017、2022)、山东省科技型中小企业创新能力提升工程（2021）、中央高校基本科研专项资金(2019)、教育部高等学校博士学科点专项科研基金(2012)和山东省重点研发计划项目资助。

图RACN模型结构。（MAB代表混合注意力模块，AFB代表自适应融合模块，T为可学习层，用于融合反向生成对抗网络RGAN中生成器Generator和分类网络CN提取的特征，FC代表全连接层，IN代表实例归一化，鉴别器Discriminator中的数字代表当前层神经元的个数。需要注意的是，作用于T输出的两个卷积运算卷积核大小均为3×3×3。）

董恩清教授带领的医学影像信息处理研究团队聚焦国际上医工学科交叉研究领域中的热点问题，在图像识别、图像分割、图像配准、影像组学、AI医学影像诊断等方向取得了丰硕的研究成果，引起了国内外同行的广泛关注。该团队目前围绕“人工智能+医疗”、“互联网+医疗”等领域的关键技术和应用模式进行创新，重点聚焦科技成果转化，力争成为实现人工智能与医疗健康产业紧密融合的应用典范。近年来，董恩清教授以第一作者和通信作者在IEEE Transactions on Medical Imaging、IEEE Journal of Biomedical and Health Informatics、Signal Processing、European Radiology、Radiotherapy and Oncology、Medical Physics、Computer Methods and Programs in Biomedicine等国际顶级期刊(JCR Q1)上发表高水平SCI论文15篇。

IEEE Journal of Biomedical and Health Informatics(简写IEEE JBHI)是公认的生物医学和健康信息学领域的TOP期刊，在全球27种医学信息学(Medical Informatics)SCI收录期刊中排名第1(TOP1)；全球59种数学与计算生物学(Mathematical & Computational Biology)SCI收录期刊中排名第4(TOP4)；在全球109种计算机科学及交叉学科应用（Computer Science, Interdisciplinary Applications) SCI收录期刊中排名第12(TOP12)；在全球156种计算机科学及信息系统(Computer Science, Information Systems)SCI收录期刊中排名第15 (TOP15)；中科院Medical Informatics和Mathematical & Computational Biology小类一区，2021年影响因子为7.021。

作者：文/崔文韬 图/崔文韬 责任编辑：牛淼淼