日前，美国国立卫生研究院临床中心(NIHCC)分享了一个大型CT图像数据库，旨在帮助科学家和临床医生提高对疾病影像学诊断技能，同时，邀约学术界参与人工智能研究合作。

该数据库名为DeepLesion，公布的医学图像数据约一千种病变，包括3.2万份CT图像和展示的疾病影像学资料。

CT图像资料完全匿名化，代表了4400名患者，他们是参加NIH临床试验的参与者。

一般的临床影像诊断流程是：患者走进CT检查室接受CT检查，然后图像被发送给影像科医师那里进行解读和标注。放射科医师通常使用电子书签工具测量并标记有临床意义的发现或异常。放射影像科医师保存那些被标记出来的重要发现，以便在以后检查或复查中再回顾该图像资料信息。

然而在实际工作中，那些标记签却异常复杂– 包括箭头、线条、直径甚至文字描述等等，辅助确定病变位置和大小，提供临床医生识别疾病的状况或肿瘤生长或新发现等。

NIH开发的DeepLesion影像学数据库，除了能够标记出丰富的医学诊断数据信息，还能帮助科学家创新出了新的数据“标识签”。DeepLesion不同于目前大多数医学图像数据库，只能检测一种类型病变。该数据库具有多样性功能- 包括来自全身各种影像学发现，如肺结节、肝肿瘤、淋巴结肿大等。

在传统医学图像领域里，收集影像学资料的传统方法不能提供搜索引擎功能，鉴别图像信息需要丰富的临床经验和辅助技术。DeepLesion数据库解决了这一技术需求，通过其拥有的深度神经网络系统，辅助科学家、临床医生，甚至AI研发人员创建一个具有统一框架的大规模通用疾病数据搜索引擎和检测器。

此次NIH公布影像数据集，也希望更多研究人员和AI开发人员充分利用这一共享资源：

1、开发一种通用疾病数据“检测器”，辅助放射科医师找寻所有病变类型。这样，作为初始筛查工具检索CT影像资料，并将检测结果发送给那些专家/系统，进一步确定和鉴别。

2、挖掘和研究不同类型病变之间的相关性。在DeepLesion数据资料中，一个CT影像资料中通常标记多个发现。研究人员需要分析彼此关系和新发现。

3、更精准、自动地测量患者所有病变状况，包括大小，位置等，以便全面评估疾病，例如癌症疾病的进展。

未来，NIH临床中心希望通过聚集更多CT数据资料，不断完善和增强DeepLesion数据库人工智能化，从而提高其检测精准性。

研究人员还可以通过3-D技术和病变类型信息，将病变检测能力提高到更可靠和更明确。DeepLesion数据库的AI系统还将扩展到其他影像图像分析应用，包括MRI图像资料等。