随着人工智能技术的不断发展,深度学习算法在智能医疗领域有着许多重要的应用和研究意义,尤其是在医学图像的识别、分类、检测和分割方面有着卓越的表现。通过人工智能代替医生来处理一些简单复杂重复度高的事情能减少大量的时间成本,同时在辅助医生判读病例时能轻松诊断复杂的病症。智能化的医疗在疾病的检出、诊断、评估、图像分割、配准和量化方面给医生带来了方便快捷的诊断辅助,并取得了长足的进步,不仅降低了医生的工作压力,而且提高了病灶诊断的准确率。在所有疾病中危害性较大的是癌症,而在癌症中致死率最高的是肺癌。在肺癌的治疗中,早期发现的肺癌患者的存活率至少是中晚期发现的肺癌患者存活率的两倍,因此能在早期发现肺癌能极大的提高癌患者的治愈率,而早期的肺癌影像特征不明显,医生仅通过肉眼判断有一定的难度且容易漏诊,但通过人工智能的自动检测筛查可以快捷高效的识别较小的早期肿瘤。因此本文将对肺癌的自动识别进行研究并开发自动识别系统。本文将以DeepLesion公共数据集作为训练集,针对数据集中的肺癌所具有的分叶征、毛刺征等病理特点,并且数据集中大部分的病灶的影像表现为5*5至20*20大小的肿块,以VGG-16网络模型为基础,结合ImageNet竞赛的网络和Googlenet的inception结构的优点,对深度学习算法的卷积神经网络结构和参数的研究和优化。同时结合神经网络的识别的特点和数据集的特点,对数据集进行一定的预处理以突出图像的特征,提高深度学习算法的准确率。并且围绕优化后的算法开发辅助识别系统,使深度学习算法在经过大量数据训练后能通过识别系统将肺癌的自动识别直观的表现出来。自动识别系统具有一定的前瞻性,目前人工智能在健康领域的应用主要有:辅助医疗、医学影像、药物挖掘、健康管理。近几百年涌现了不少智能医疗公司,都从这几个领域开发出了许多落地应用。本文将以Python为开发语言对深度学习算法进行开发,并基于PyQt函数库进行系统软件的开发。通过可视化界面的布局方式,将训练、识别、图像预处理、图像显示等主要程序放入各个模块框架内对应接口,来实现肺癌自动识别检测系统的总体设计。通过设置系统训练和识别的参数来优化系统的性能,使学习准确率达到93.82%。最后将在开发的系统上对公共数据集和医院数据集进行识别和结果分析。通过对两种不同的数据集进行识别,分析这两种情况下系统的准确率和漏诊率均达到了预期设计效果,在医院临床数据识别中相较于医生15%到20%的漏诊率,本系统的漏诊率为14.16%,高于人为识别水平。通过本系统可以对肺部的CT影像进行判读,缩小医生读片的范围,提高就诊效率。虽然本系统得到了一个较好的结果,但仍然存在许多问题有待研究和深入优化。随着人工智能进一步的发展,智能医疗系统会像医院的就诊系统一样飞速的普及。精准度会越来越高,并能更好的辅助医疗。