中国科学院合肥物质院健康所与合肥肿瘤医院科研团队近期联合国内外多家单位，在肺癌诊断研究方面取得进展，发展出一种基于胸部 CT 影像的肺结节 AI 辅助诊断新方法，相关研究结果已发表在期刊 Information Fusion 上。

传统读片的两难

肺癌是高发恶性肿瘤，早期筛查是提高治愈率、降低死亡率的关键环节，而早筛中对肺结节良恶性的准确判断，直接关系到后续诊疗方案的制定与预后效果。

临床上，医生需要逐张研读胸部 CT 影像，综合肺部整体结构、结节周边组织以及结节细节，再结合临床经验作出良恶性诊断。这种人工读片方式不仅耗时费力，还容易受到经验、疲劳等因素影响，甚至可能出现漏诊或误诊。

常规 AI 模型的短板

近年来兴起的 AI 技术已被用于肺结节的良恶性辅助诊断，但常规 AI 诊断模型往往只依靠单尺度影像特征作出判断，多为“黑箱”算法，识别精度有限、可解释性差，难以满足精准诊疗的临床需求。

模仿医生逻辑的 M³Net

针对上述痛点，科研团队在算法设计上模仿医生的诊断逻辑，提出新型 M³Net，即“宏观—介观—微观”层级 3D 神经网络 AI 模型，发展出多尺度、可解释的肺结节智能分类与诊断新方法。

该算法构建了三种差异化影像输入尺度，分别对应肺部全局宏观结构、结节周边组织特征和结节微观细节，全方位涵盖与病灶诊断相关的重要信息。模型通过专属编码器分别提取不同尺度的影像特征，依靠隐空间投影、互信息最大化技术进行跨尺度特征对齐，并借助层级交叉注意力机制，模拟医生“先全局、再局部、后细节”的诊断流程。

经过多重正则化约束优化特征融合，模型既捕捉结节分叶、毛刺、密度不均等恶性细微特征，又兼顾血管牵拉、肺组织形变等全局病理信息，实现对病灶的精细化、立体化分析。

实验表现优于 12 种主流算法

为检验模型有效性，研究团队依托公开数据集 LIDC-IDRI 和临床数据集 USTC-FHLN 开展算法比较实验。结果显示，与流行的十二种 AI 算法相比，M³Net 模型在两种数据集中的肺结节良恶性分类准确率等指标均得到提升，尤其对边界模糊、特征不典型的疑难肺结节鉴别优势明显，并且模型参数量与运算成本更低。

临床价值与协作网络

该项研究提出的、遵循医生诊断逻辑的多尺度影像输入 AI 算法，便于建立人机之间的有效验证，为提高肺癌 AI 诊断的准确性和相对可解释性提供了新的策略。该成果第一完成单位为中国科学院合肥物质院，合作单位包括中国科学技术大学第一附属医院（安徽省立医院）、蚌埠医科大学、中国科学院半导体研究所、美国东北大学、新加坡南洋理工大学等。