科学研究

周静，中国人民大学统计学院副教授、博士生导师，中国人民大学吴玉章青年学者，入选2024-2026年度北京市青年人才托举工程（医学图像分析方向）。全国工业统计学教学研究会青年统计学家协会常务理事、副秘书长，中国现场统计研究会统计交叉科学研究分会常务理事，研究方向为医学图像分析、AI辅助肺癌诊断、网络数据建模等，在Npj digital medicine, Biostatistics, JMLR, JCGS, JBES, CSDA等Nature子刊，统计、计算机权威期刊发表论文30余篇，著有专著《社交网络数据：理论与实践》一本，主编两本深度学习教材《深度学习：基于Pytorch的实现》、《深度学习：从入门到精通》。主持国家自然科学基金（青年、面上）、北京市社会科学基金、国家统计局（重大、重点）等多项国家级、省部级以上课题。

本报告将聚焦医学影像数据分析领域，以肺部CT影像为例，介绍统计与深度学习技术在医学影像分析中的应用及其挑战。首先，本报告将介绍肺部CT成像数据的基本存储与核心概念，了解常见的数据处理技巧和公开数据集。其次，本报告将聚焦于早期肺癌精准诊疗中的两大关键临床难题：肺结节病理类型预测与结节进展评估。肺癌作为全球范围内发病率和死亡率最高的恶性肿瘤，始终是医学界和公共卫生领域的重点攻克对象。由于肺癌早期症状隐匿，大部分患者确诊时已进展至中晚期，致使治疗难度陡增，患者预后不佳。究其原因，很大程度上源于医生难以仅凭CT影像准确判断肺结节的恶性程度（即区分早期、中期和晚期）。另一方面，对于早期发现的肺结节，临床上通常采用定期随访的方式监测其进展，然而现有的评估方法过度依赖医生的主观经验，缺乏客观、量化的指标来判定结节进展是否具有统计学意义，这极大地限制了早期肺癌的精准诊疗水平。对此，本报告展开两方面的研究，分别是：（1）基于CT影像的肺结节病理类型预测及线上自动化诊断平台的应用；（2）临床经验指导下的统计量用于结节进展评估。在报告的最后，我将简要评述现有医学影像分析领域的挑战以及与统计学产生交叉研究的机会。