近期，雷鋒網(wǎng)AI掘金志邀請(qǐng)東軟醫(yī)療人工智能與臨床創(chuàng)新研究院總監(jiān)楊明雷博士，做客雷鋒網(wǎng)公開課，以“影像設(shè)備成像端AI應(yīng)用進(jìn)展”為題進(jìn)行，集中梳理了東軟醫(yī)療在不同的設(shè)備端、不同?？萍膊∩系募夹g(shù)干貨。

后續(xù)將有更多課程上線，添加微信公眾號(hào)【醫(yī)健掘金志】報(bào)名聽課，或收看本節(jié)課程視頻回放

自去年成立以來，東軟醫(yī)療人工智能與臨床創(chuàng)新研究院率先將AI技術(shù)應(yīng)用于設(shè)備端，提升成像的質(zhì)量和速度。

楊明雷表示，在MR方面，在AI技術(shù)的加持下，東軟醫(yī)療的頭部成像技術(shù)Smart BrainQuant可以將掃描時(shí)間從69分鐘縮短至4分31秒；在CT方面，利用前沿空洞卷積和邊緣檢測(cè)算子技術(shù)優(yōu)化低劑量掃描，在保證CT圖像質(zhì)量的同時(shí)降低輻射劑量。

除了在設(shè)備端，研究院還將AI拓展至專病領(lǐng)域，將AI整合到急性缺血卒中圖像分析。東軟開發(fā)的NeuBrain care軟件可以自動(dòng)分析完成腦卒中灌注影像，得出缺血半暗帶和梗死灶的核心定量指標(biāo)，提高腦卒中患者救治效率，目前該產(chǎn)品已經(jīng)搭載在東軟影像云上。

新冠肺炎爆發(fā)后，東軟研發(fā)了全流程一體化快速AI篩查系統(tǒng)“火眼AI”，設(shè)計(jì)基于3D和2D混合卷積網(wǎng)絡(luò)對(duì)病灶分割，再結(jié)合已有肺葉分割模型，實(shí)現(xiàn)對(duì)肺炎病灶定量分析。楊明雷介紹到，該方案結(jié)合采取了本地化和云平臺(tái)兩種部署方式，既可以直接在東軟后處理工作站AVW升級(jí)，也可以搭載在東軟智能醫(yī)學(xué)影像云平臺(tái)NewMiva。

目前，國(guó)際上已經(jīng)相繼研發(fā)出區(qū)分新冠肺炎和流感的“篩查區(qū)分模型”、幫助醫(yī)生評(píng)估影像疾病發(fā)展的“病灶衡量模型”、臨床信息建立的“預(yù)后分析模型”。楊明雷博士對(duì)這些成果一一進(jìn)行了分享與講解。

以下為楊明雷的演講全文內(nèi)容，雷鋒網(wǎng)做了不改變?cè)獾木庉嫛?/strong>

東軟醫(yī)療人工智能與臨床創(chuàng)新研究院，成立的目標(biāo)就是構(gòu)建成像源頭的AI平臺(tái)，用AI來賦能全線醫(yī)學(xué)影像設(shè)備，如MR、CT、DSA、US等。

通過開展?？苹膊∏把嘏R床應(yīng)用研究，解決腦卒中、心血管、肺癌、慢阻肺等疾病臨床診療的痛點(diǎn)問題；同時(shí)通過與業(yè)內(nèi)專家、醫(yī)院、上下游廠商等建立廣泛的科研合作，幫助提升臨床診療水平和科研水平。

得益于高性能并行計(jì)算能力和神經(jīng)網(wǎng)絡(luò)算法的創(chuàng)新，以及深度學(xué)習(xí)在大數(shù)據(jù)上的優(yōu)秀表現(xiàn)，深度學(xué)習(xí)不僅在自動(dòng)駕駛、智能翻譯等多個(gè)容易獲取大數(shù)據(jù)的生活領(lǐng)域得到了非常充分的應(yīng)用，在醫(yī)學(xué)影像領(lǐng)域也進(jìn)行了很多應(yīng)用探索。

完整醫(yī)學(xué)影像鏈條分為兩個(gè)環(huán)節(jié)：獲得數(shù)據(jù)和使用數(shù)據(jù)

獲得數(shù)據(jù)是以設(shè)備為核心，放射醫(yī)生或者技師需要以較快的速度獲取患者的高質(zhì)量影像，在掃描過程中要 保證患者以及設(shè)備操作者的安全，同時(shí)要盡量讓影像掃描流程簡(jiǎn)易、流暢，減少或者改進(jìn)其中不必要的、且對(duì)人依賴程度較高的環(huán)節(jié)，而且還要保持影像設(shè)備在長(zhǎng)時(shí)間工作運(yùn)行中性能的穩(wěn)定，盡量避免出現(xiàn)故障。

獲得數(shù)據(jù)之后，更關(guān)鍵的是如何使用數(shù)據(jù)。獲取影像的最終目的是來幫助醫(yī)生對(duì)患者進(jìn)行疾病診斷和治療，所以影像使用以掃描的部位或者患者疾病為核心進(jìn)行展開，利用傳統(tǒng)、AI等圖像處理技術(shù)，甚至結(jié)合更多維度的臨床信息進(jìn)行影像分析、挖掘豐富的信息幫助醫(yī)生對(duì)疾病進(jìn)行診斷、治療決策、隨訪評(píng)估、輔助導(dǎo)航等。

人工智能可以參與到上述所有的影像應(yīng)用環(huán)節(jié)，提供更豐富的信息、更智能的處理、更便捷的操作等。

東軟醫(yī)療作為影像設(shè)備公司，依托設(shè)備積累優(yōu)勢(shì)，設(shè)計(jì)和研發(fā)從源頭的全鏈條人工智能影像解決方案。 

 東軟醫(yī)療在影像設(shè)備端AI應(yīng)用開發(fā)

首先我們要知道，影像設(shè)備端目前存在哪些痛點(diǎn)問題，這些痛點(diǎn)可以從兩個(gè)角度去理解。

1.數(shù)據(jù)采集和成像

醫(yī)學(xué)影像設(shè)備有很多類別，包括磁共振、x射線類、伽馬射線類以及超聲設(shè)備。

MRI成像設(shè)備擁有很強(qiáng)軟組織對(duì)比度，在神經(jīng)影像領(lǐng)域應(yīng)用廣泛，局限是掃描時(shí)間長(zhǎng)，成像速度慢，雖然有很多加速方法，但都存在各自的問題。

x射線成像類，如CT、DR、DSA等，是臨床使用最廣泛的成像設(shè)備。但問題是，x線對(duì)人體是有損傷，長(zhǎng)時(shí)間暴露在X射線下會(huì)對(duì)人體產(chǎn)生不可逆危害。

伽馬射線成像，如PET。但問題是PET掃描時(shí)間長(zhǎng)，在掃描時(shí)需要口服或注射放射性核素，對(duì)人類存在一定危害性。

超聲設(shè)備是目前最安全、最廉價(jià)的成像設(shè)備。超聲問題在于波長(zhǎng)相對(duì)較長(zhǎng)，容易受空氣、骨骼影響，獲取的圖像中通常存在雜波噪聲。而且不同于 CT或MRI，超聲成像的掃描層面角度隨意，依賴技師掃描手法，對(duì)技師經(jīng)驗(yàn)要求高。

2.掃描工作流程

在CT和MRI掃描過程中，患者進(jìn)入掃描間之后，需要在技師或者護(hù)士的指導(dǎo)下，躺到掃描床上，擺好合適待掃描姿勢(shì)，技師根據(jù)每一個(gè)患者躺的姿勢(shì)、躺的位姿來調(diào)整掃描床深度和高度，隨后需要先掃描定位像，在定位像上去定義所要掃描的解剖結(jié)構(gòu)，然后選擇一個(gè)合適的FOV，再開始后續(xù)的掃描工作。

患者擺位和FOV選擇嚴(yán)重依賴于技師或者護(hù)士的操作，有很強(qiáng)的主觀依賴性，帶來的一個(gè)副作用是，即便是同一個(gè)醫(yī)院同一臺(tái)設(shè)備，多次掃描得到的圖像可能都會(huì)存在一定的太一致。另外，完成圖像掃描和重建后，技師或醫(yī)生經(jīng)常會(huì)需要對(duì)一個(gè)患者的可能是幾百?gòu)垐D像進(jìn)行逐一檢查，來確保圖像質(zhì)量滿足后續(xù)診斷需求。

AI如何讓成像速度更快

MRI最大的問題是慢，分為兩個(gè)層面：一是掃描慢，二是重建慢。

目前主要的MRI加速成像技術(shù)大都是通過在K空間降采樣減少采樣時(shí)間，這樣就能夠顯著地加快成像速度，但是在k空間降采樣必然會(huì)帶來圖像質(zhì)量的損失。

科學(xué)家們提出了多種方法，在降采樣同時(shí)能夠?qū)崿F(xiàn)圖像質(zhì)量的不損失或低損失，最常用的是并行成像和壓縮感知成像方法。

并行成像是通過已知位置和敏感度接收線圈實(shí)現(xiàn)相位編碼次數(shù)減少，從而提升圖像的掃描速度，但不可避免地帶來圖像對(duì)比度下降。

在人工智能成為大家關(guān)注熱點(diǎn)之后，有研究者很快就想到是否能用人工智能技術(shù)去改進(jìn)這些成像技術(shù)，來實(shí)現(xiàn)k空間降采樣圖像的高質(zhì)量重建。比如這一篇文章提出的deepcomplexMRI方法，它也是對(duì)k空間降采數(shù)據(jù)重建。

如果直接使用端到端卷積模型模型訓(xùn)練，很難得到立項(xiàng)的結(jié)果，所以deepcomplexMRI設(shè)計(jì)針對(duì)虛部和實(shí)部的卷積模塊實(shí)現(xiàn)MR信息重建，為了保證圖像真實(shí)性，每卷積層后都加數(shù)據(jù)保真層，用來自k空間真實(shí)采樣點(diǎn)的數(shù)據(jù)填補(bǔ)到重建得到的MR影像對(duì)應(yīng)位置上，從而保證圖像質(zhì)量真實(shí)性。 

另一種比較優(yōu)秀的加速成像技術(shù)是壓縮感知成像。

壓縮感知成像的理論基礎(chǔ)MR影像信息的稀疏性，通過迭代方式對(duì)K空間數(shù)據(jù)進(jìn)行重建后，再補(bǔ)全的k空間數(shù)據(jù)進(jìn)行高質(zhì)量的MRI圖像重建。信息的迭代式恢復(fù)是一個(gè)漸進(jìn)優(yōu)化過程，費(fèi)時(shí)較，用足夠長(zhǎng)的時(shí)間，壓縮感知方法能夠恢復(fù)出來非常高質(zhì)量的圖像。

壓縮感知MR重建中比較常用的一個(gè)迭代方法是交叉方向乘子法，是一種常用的用來求解優(yōu)化問題的框架：通過把一個(gè)大的難解的優(yōu)化問題分析成多個(gè)小的容易求解的問題，然后通過協(xié)調(diào)這些小的問題的解得到一個(gè)大的難解問題的解。

圖中的ADMM網(wǎng)絡(luò)模仿了ADMM方法迭代過程，把每一次的迭代轉(zhuǎn)化成卷積運(yùn)算。這樣就可以通過并行加速的方式實(shí)現(xiàn)快速卷積運(yùn)算，取代了之前迭代的優(yōu)化方式，從而顯著的提升MRI重建的速度，并且重建出來的影像質(zhì)量也非?？捎^。 

在之后的三年里，很多研究者嘗試了各種方法對(duì)原始的低質(zhì)量和降采樣的MRI圖像進(jìn)行高質(zhì)量恢復(fù)，有的是采用圖像域的卷積重建去學(xué)習(xí)高質(zhì)量影像，有的是先用圖像域卷積然后再跟一個(gè)k空間卷積，有的反過來先對(duì)k空間卷積，然后再是一個(gè)圖像域卷積。

最近有一個(gè)研究者提出了一個(gè)可以兼顧的一個(gè)方法—同時(shí)對(duì)k空間和圖像域進(jìn)行卷積運(yùn)算，然后將得到的圖像進(jìn)行融合后再經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)做進(jìn)一步的圖像的恢復(fù)，效果也非常好，最后在8倍的加速下實(shí)現(xiàn)了心臟MRI的快速重建。

我們看一下東軟醫(yī)療在這一塊進(jìn)行了一些嘗試。

首先實(shí)現(xiàn)了頭部的基于AI的快速重建技術(shù)，圖中上面一行是在常規(guī)掃描情況下得到的腦部的結(jié)構(gòu)影像，可以看到放大框里面的腦組織邊界部分圖像結(jié)構(gòu)比較清楚，但是仍然有一些吉布斯偽影，也就是高對(duì)比度區(qū)域附近有一些信號(hào)震蕩，成像共用時(shí)5分鐘56秒，是比較長(zhǎng)，掃描中需要病人在掃描床上連續(xù)躺5分鐘頭不動(dòng)，要求蠻高。

用AI技術(shù)進(jìn)行加速之后，就可以在掃描的時(shí)候降低采樣的點(diǎn)數(shù)，顯著加快掃描速度，然后用AI非?？焖俚赝瓿捎跋裰亟ǎ旅嬉恍锌梢钥吹?，得到的圖像結(jié)果和滿采掃描之下圖像質(zhì)量是非常一致，而且還間接消除了上述吉布斯偽影。

 

東軟醫(yī)療擁有一種非常獨(dú)特的頭部MR成像技術(shù)叫Smart BrainQuant，可以一站式完成10種對(duì)比度MR影像掃描。在常規(guī)情況下，如果想獲取這十類對(duì)比度圖像，大約需要69分鐘。BrainQuant技術(shù)在滿采樣情況下大約需要23分鐘就能得到這樣的圖像，時(shí)間明顯壓縮。

而且Smart BrainQuant采用AI技術(shù)進(jìn)行再加速，在k空間降采樣，然后使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行快速重建，就可以實(shí)現(xiàn)更快的成像速度，大約需要4分31秒，獲取10種對(duì)比度圖像，包括4種常規(guī)、4種定量和兩種血管成像，這種速度非常快。

東軟醫(yī)療也將這種AI技術(shù)應(yīng)用于心臟電影成像。左側(cè)是一個(gè)在滿采情況下得到的心臟電影圖像，中間是對(duì)它進(jìn)行6倍加速，右側(cè)進(jìn)行了9倍加速，可以看到圖像質(zhì)量基本沒有區(qū)別，效果非常明顯。

前面我們提到用AI技術(shù)進(jìn)行MR圖像的加速，那么如果我們已經(jīng)獲得了一定質(zhì)量的MR影像，能不能用人工智能技術(shù)對(duì)圖像進(jìn)行增強(qiáng)得到更加高質(zhì)量的影像呢？

前面也提到， MR掃描現(xiàn)在基本上都會(huì)在k空間降采樣，k空間降采樣不可避免的會(huì)帶來圖像的損失，比如說可能會(huì)帶來一些吉布斯偽影，在圖像的高對(duì)比區(qū)域會(huì)發(fā)生一些信號(hào)震蕩。如果我們?cè)趉空間進(jìn)行偽隨機(jī)降采樣，會(huì)在圖像中引入非相干偽影，通常會(huì)采用一些窗函數(shù)，來消除這些吉布斯偽影。

但是吉布斯偽影存在于高頻區(qū)域，影像中的結(jié)構(gòu)細(xì)節(jié)存在于高頻區(qū)域，在濾波時(shí)就會(huì)把這些細(xì)節(jié)一起濾掉，就導(dǎo)致建圖像會(huì)產(chǎn)生一些邊界或細(xì)節(jié)的模糊。對(duì)于偽隨機(jī)k空間降采樣數(shù)據(jù)，雖然壓縮感知方法能夠重建出較高的圖像，但時(shí)間會(huì)非常長(zhǎng)。

因此有研究者就提出用深度學(xué)習(xí)模型對(duì)已獲取的低質(zhì)量、低采樣頻率的 MR影像進(jìn)行圖像恢復(fù)，通過學(xué)習(xí)MR影像的噪聲以及它的偽影來將偽影從原始圖像中去除。

圖中的模型分別對(duì)圖像的實(shí)部和虛部建模，然后再將兩部分的圖像的合并、融合，得到最終的高質(zhì)量影像，這種模型能夠有效地消除卷褶偽影。

MR成像是通過兩通道MR信號(hào)同時(shí)采集，通過模運(yùn)算得到重建的MR圖像，每一個(gè)通道在采集的時(shí)候都會(huì)伴隨著一些高斯噪聲，導(dǎo)致最后重建出來的圖像里面的噪聲表現(xiàn)為萊斯噪聲分布，萊斯噪聲與圖像的數(shù)據(jù)緊密結(jié)合，去除非常困難。

有沒有什么辦法能夠在去除這些萊斯噪聲的時(shí)候前提下，同時(shí)保證我們圖像里面的細(xì)節(jié)和邊界仍然清晰？ 

圖中是復(fù)旦大學(xué)幾位老師做的研究，采用了一個(gè)多通道的模型來學(xué)習(xí)影像中的萊斯噪聲分布，為了充分利用這個(gè)3D空間的信息，利用多通道、也就是相鄰5層作為輸入，最終得到一個(gè)比較好的噪聲去除效果。

傳統(tǒng)高對(duì)比度DWI圖像獲取中通常會(huì)采用多次激發(fā)，之后以平均的方式消除噪聲，最終得到較高信噪比和對(duì)比度DWI的圖像，但導(dǎo)致時(shí)間成本成倍增加。 

有研究者嘗試使用深度學(xué)習(xí)模型一次激發(fā)信號(hào)獲取的高噪聲DWI影像特征，之后將噪聲從圖像中去除，就得到高質(zhì)量的DWI的影像，效果非常明顯。

前面也提到超聲掃描對(duì)操作者掃描手法依賴性非常強(qiáng)，尤其是胎兒檢測(cè)中，醫(yī)生需要去掃查胎兒的幾個(gè)標(biāo)準(zhǔn)切面，這對(duì)醫(yī)生的操作手法、操作經(jīng)驗(yàn)和臨床經(jīng)驗(yàn)要求非常高，很多初級(jí)醫(yī)生可能難以做到，如果可以解決這種困難會(huì)讓兒科的這種檢查變得更加容易。

研究者決定用人工智能模型去分析一段超聲掃描電影，從電影里面找到這幾張標(biāo)準(zhǔn)切面的位置，因?yàn)殡娪笆沁B續(xù)的，所以為了充分利用電影層間的信息和層內(nèi)的信息，模型結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)。考慮到數(shù)據(jù)量是相對(duì)有限，又設(shè)計(jì)了一個(gè)多任務(wù)的學(xué)習(xí)的目標(biāo)，從而加速模型的收斂，最終得到一個(gè)比較好的結(jié)果。

東軟醫(yī)療在精準(zhǔn)成像方向的嘗試。

圖中用人工智能技術(shù)得到了一個(gè)高信噪比的DWI圖像，信噪比提高了兩倍，圖像細(xì)節(jié)得到了比較好的保留，同時(shí)速度也是得到了顯著提高。

用AI技術(shù)得到一個(gè)高分辨率DWI影像，DWI影像高分辨率重建掃描的時(shí)候，容易碰到一個(gè)問題是圖像會(huì)有一些明顯的變形，用AI技術(shù)進(jìn)行重建，信噪比提高，但是圖像并沒有明顯變形，而且掃描和重建速度相對(duì)更快。

東軟醫(yī)療也將AI應(yīng)用于腹部精準(zhǔn)成像。

左側(cè)是常規(guī)成像方法得出的圖像，可以看到圖像里面有非常多的一些條形狀的偽影—吉布斯偽影，傳統(tǒng)的方法很難將它有效去除，即便是能去除也會(huì)順便帶來細(xì)節(jié)的損失。而我們用AI方法進(jìn)行重建，就可以把這些吉布斯偽影去除，同時(shí)去除了運(yùn)動(dòng)的偽影，最后得到的圖像里面還對(duì)影像細(xì)節(jié)得到了高度的還原。

CT成像領(lǐng)域著名的原則叫as low as reasonably achievable（在掃描中需要讓CT的輻射劑量盡可能的合理的低）。為什么？因?yàn)檩椛鋵?duì)人體是有損害的，但是如果直接降低輻射劑量，那么必然會(huì)帶來圖像質(zhì)量的下降。

因此大家采用了很多技術(shù)去對(duì)輻射劑量進(jìn)行優(yōu)化，比如降低kv或者是加光子濾過器，但是這些方法多少會(huì)帶來一定的圖像質(zhì)量損失，很多研究者灌注如何將低輻射劑量圖像的質(zhì)量提升到常規(guī)劑量相當(dāng)?shù)乃健?/p>

比如說圖中這項(xiàng)研究，研究者利用空洞卷積和可訓(xùn)練的邊緣檢測(cè)算子設(shè)計(jì)了一個(gè)低劑量CT去噪模型，直接從低劑量CT中學(xué)習(xí)一個(gè)常規(guī)CT劑量的高質(zhì)量圖像，作者將均方差loss和感知loss結(jié)合作為模型的損失函數(shù)，從而有效保留了圖像細(xì)節(jié)。

而且為了保證圖像質(zhì)量的真實(shí)性和細(xì)節(jié)的完整性，在常規(guī)均方差loss函數(shù)基礎(chǔ)上加了感知誤差，均方誤差利用的是相同級(jí)別的灰度的差異。而感覺誤差就是將預(yù)測(cè)圖像和原圖像分別進(jìn)行高維的分析提取，比較其高級(jí)語義特征的相似性，從而間接保證學(xué)習(xí)出來的圖像細(xì)節(jié)信息具有較高的真實(shí)性。

同樣也有研究者將這種方式應(yīng)用于超低劑量CT圖像優(yōu)化，并將優(yōu)化之后的圖像應(yīng)用于肺氣腫篩查，最后發(fā)現(xiàn)用優(yōu)化之后的圖像做篩查，雖然圖像可能存在一些過度的平滑、喪失一些細(xì)節(jié)，但是診斷效能和全劑量的CT診斷效能是相當(dāng)?shù)模冶鹊蛣┝砍Ｒ?guī)重建方法得到圖像的診斷效能提高了很多。

這是一個(gè)非常積極的信號(hào)，低劑量CT在肺癌、肺氣腫等重大疾病篩查中可以起到很重要的作用；但用CT做篩查，肯定不能讓劑量降低導(dǎo)致圖像質(zhì)量損失影響醫(yī)生讀片，至少不能影響診斷效能。

如果后續(xù)多中心大型研究證明，能在這么低的劑量下用AI方法恢復(fù)出的圖像獲得與常規(guī)劑量相當(dāng)?shù)暮Y查效果的話，那么它就有非常大的實(shí)用價(jià)值。

東軟醫(yī)療也將AI方法應(yīng)用于肺部低劑量CT。

圖中是東軟實(shí)際效果圖，在25%的輻射劑量下對(duì)肺部進(jìn)行掃描，可以看到左側(cè)是傳統(tǒng)方法重建得到的圖像，圖中里面解剖細(xì)節(jié)仔細(xì)去分辨也能看清楚，但是噪聲水平非常高，真實(shí)結(jié)構(gòu)受噪聲的干擾很嚴(yán)重，用基于AI重建方法來對(duì)圖像進(jìn)行優(yōu)化，可以看到噪聲水平得到明顯的抑制，肺部的血管、氣管結(jié)構(gòu)都能夠比較清晰的分辨。

同樣?xùn)|軟醫(yī)療也將 AI低劑量CT重建應(yīng)用于腹部。

左側(cè)是一個(gè)40%的輻射劑量下進(jìn)行的腹部成像結(jié)果，可以看到在噪聲水平很高，對(duì)肝臟的細(xì)節(jié)都已經(jīng)不能分辨，用基于AI的方法進(jìn)行圖像優(yōu)化之后，噪聲得到了顯著的壓制。

 

這是一個(gè)非常典型的例子，患者腎臟有一個(gè)明顯的病灶，但是在這么一張超低劑量掃描、傳統(tǒng)重建方法得到的圖像上無法有效識(shí)別病灶。病灶在下圖的圓圈中。 

用AI優(yōu)化后一目了然?！?span style="text-align: center;"> 

東軟醫(yī)療也做了CT最常見應(yīng)用場(chǎng)景——心臟CT。

 

在冠脈CT的掃描中，跟前面不太一樣的是，不但追求輻射劑量的降低，也追求造影劑劑量的降低。相當(dāng)一部分患者、比如老年人患者可能存在腎臟不耐受，不能使用太高劑量的造影劑，如果造影劑和輻射計(jì)量都減低，圖像質(zhì)量就不可避免的會(huì)受到影響。

左圖傳統(tǒng)方法對(duì)低劑量掃描進(jìn)行重建，得到的圖像里面血管充盈明顯有缺損，心肌和心血池的顯示也不夠理想。但用AI重建后，發(fā)現(xiàn)血管和心肌顯示都清楚。 

關(guān)于這部分成果，東軟醫(yī)療與北京協(xié)和醫(yī)院進(jìn)行了一項(xiàng)科研驗(yàn)證，最后發(fā)現(xiàn)使用這種AI技術(shù)可以在顯著降低輻射劑量和對(duì)比劑用量的同時(shí)，提升冠脈CTA的主客觀圖像質(zhì)量以及診斷可讀性。

在DSA引導(dǎo)下的，包括外周血管、腦血管以及冠脈等介入治療中，患者和醫(yī)生長(zhǎng)時(shí)間暴露在X射線之下，劑量一旦積累到比較高的水平就會(huì)對(duì)醫(yī)生和患者產(chǎn)生一定程度的損傷。因此如何降低在介入手術(shù)之中輻射劑量也是大家一直以來非常關(guān)注的問題，直接降低輻射劑量肯定不行，導(dǎo)致的圖像質(zhì)量一旦太差的話，就會(huì)影響到對(duì)手術(shù)引導(dǎo)效果。

我們需要對(duì)低劑量掃描的時(shí)候得到圖像的質(zhì)量進(jìn)行優(yōu)化。

現(xiàn)在已經(jīng)有研究者對(duì)靜態(tài)的x光片進(jìn)行去噪處理，得到了一個(gè)還算比較好的去噪圖像。但是在實(shí)際使用中X光片是動(dòng)態(tài)拍攝的，它不但有空間產(chǎn)生的噪聲，也會(huì)有時(shí)間上的噪聲。因此，東軟醫(yī)療就設(shè)計(jì)了一種結(jié)合了空域和時(shí)域的信息的方法，來對(duì)我們動(dòng)態(tài)獲取的x光片進(jìn)行去噪和改善質(zhì)量。

為了利用時(shí)間上的信息，loss函數(shù)不但有前面提到的均方誤差也有感知誤差，還結(jié)合了一個(gè)描述噪聲水平的時(shí)域loss。

這個(gè)是實(shí)際應(yīng)用的效果，左側(cè)是1/5輻射劑量下得到的DSA影像，用AI對(duì)它進(jìn)行去噪，明顯看到噪聲水平得到顯著抑制，里面的導(dǎo)管、骨骼等結(jié)構(gòu)，都能夠清晰的顯示。

東軟醫(yī)療希望未來醫(yī)學(xué)影像設(shè)備像智能手機(jī)一樣方便、快捷，這是遙遠(yuǎn)的期望，可能需要很長(zhǎng)時(shí)間實(shí)現(xiàn)，但AI讓智能影像掃描工作流程成為一種可能。

智能影像掃描主要包括患者身份識(shí)別、智能語音交互、智能患者擺位、掃描區(qū)域識(shí)別和自動(dòng)質(zhì)量控制。涉及到影像掃描工作流程三個(gè)痛點(diǎn)，擺位、掃描區(qū)域識(shí)別和質(zhì)量控制。

里面涉及到前面說過的影像掃描工作流程中三個(gè)痛點(diǎn)問題：擺位、掃描區(qū)域識(shí)別和質(zhì)量控制。通過智能掃描工作流，我們能夠進(jìn)一步的降低師和護(hù)士的一些重復(fù)勞動(dòng)，這樣能夠有效的提高醫(yī)院患者的流通量，同時(shí)提升患者就醫(yī)體驗(yàn)，且能夠進(jìn)一步的提高不同醫(yī)師采集不同或者同一患者影像數(shù)據(jù)時(shí)的一致性。

通過自然圖像人體區(qū)域識(shí)別技術(shù)來完成患者各種擺位。圖中研究利用3D深度攝像頭對(duì)掃描床上患者掃描，可以進(jìn)一步分析患者空間位置，床位置，自動(dòng)選擇合適床高度和進(jìn)入機(jī)架進(jìn)深。 也有研究者對(duì)獲取的定位圖像分析，識(shí)別解剖結(jié)構(gòu)。根據(jù)識(shí)別解剖結(jié)構(gòu)就準(zhǔn)確圈出掃描位置，實(shí)現(xiàn)FOV選擇。

東軟醫(yī)療在流程自動(dòng)化方面做了很多的嘗試并得到初步的成果，比如已經(jīng)在CT上實(shí)現(xiàn)了肺部、脊椎、以及腹部的定位像的自動(dòng)分析和相應(yīng)的FOV的自動(dòng)選擇。

在MR上東軟醫(yī)療實(shí)現(xiàn)了頭部、脊柱、膝關(guān)節(jié)和頸椎的FOV自動(dòng)選擇。不論是患者的什么樣的姿態(tài)或者是胖瘦，都能夠在0.5秒內(nèi)完成 FOV的選擇，而且不改變現(xiàn)在任何的影像掃描流程，非常方便醫(yī)生和技師使用。保持影像掃描的一致性，對(duì)于那些可能需要長(zhǎng)期隨訪對(duì)比的患者來說，每一次掃描他們的圖像的姿態(tài)、位置都保持一致，這樣就非常有利于醫(yī)師對(duì)比每一個(gè)不同時(shí)期上的影像，這樣更加有利于發(fā)現(xiàn)疾病的變化。

掃描工作流程的第3個(gè)痛點(diǎn)是圖像的質(zhì)量評(píng)估，這與放射科的工作流程的特殊性是有關(guān)系的，前面也提到，放射影像分為掃描技師和審查醫(yī)師兩個(gè)角色，掃描技師完成圖像掃描、和后面的影像閱讀、報(bào)告撰寫在時(shí)間上是不連續(xù)的。一旦患者完成掃描離開掃面間，在讀片環(huán)節(jié)才發(fā)現(xiàn)圖像質(zhì)量問題，需要重新進(jìn)行掃描的話，會(huì)帶來時(shí)間和金錢的浪費(fèi)，甚至?xí)诱`疾病的診斷和治療。

我們希望在掃描完及時(shí)判斷影像是否滿足要求，現(xiàn)在技師掃描完會(huì)瀏覽一遍影像，可能會(huì)涉及幾百上千張圖像，工作量大，會(huì)影響掃描速度和效率。

為了解決這個(gè)問題，研究者嘗試用AI直接對(duì)圖片質(zhì)量判斷。例如這篇去年的文章，作者嘗試用人工智能模型判斷彌散圖像偽影。

右側(cè)是6種比較常見的偽影。醫(yī)學(xué)影像和自然圖像不太一樣，很難獲取到像自然圖像幾萬幾千或者是幾十萬量級(jí)的帶有偽影和正常圖像的數(shù)據(jù)。所以作者就將自然圖像訓(xùn)練的權(quán)重直接遷移到模型的訓(xùn)練中來。這些偽影有些在橫斷面內(nèi)表現(xiàn)的比較明顯，所以分別設(shè)計(jì)了兩個(gè)模型：一個(gè)是矢狀面模型，一個(gè)是橫斷面模型來對(duì)影像進(jìn)行判斷，最終能夠有效地識(shí)別帶有偽影的圖像。

目前，東軟醫(yī)療已經(jīng)實(shí)現(xiàn)CT肺部和頭部圖像質(zhì)量控制，之后在1.5T磁共振上實(shí)現(xiàn)了腦部圖像質(zhì)量判斷，提高圖像質(zhì)量控制效果，減少病人返回拍攝圖像可能性。

總結(jié)起來，東軟醫(yī)療基于人工智能平臺(tái)NeuAI實(shí)現(xiàn)了更快速掃描、更精準(zhǔn)圖像、更安全資源獲取和更流暢工作流程，并且能夠更加可靠地保證我們獲取的影像質(zhì)量。

東軟醫(yī)療在?？苹较颉⒅卮蠹膊∩线M(jìn)行了一些AI的應(yīng)用探索。

東軟醫(yī)療首先將人工智能應(yīng)用在了急性的腦卒中的影像評(píng)估上。我國(guó)腦卒中防治目前面臨著非常巨大的挑戰(zhàn)。腦卒中是我國(guó)成年人致死致殘的首位病因，而且發(fā)病率和致死率都非常高，到目前我國(guó)的發(fā)病率仍在逐年上升。

腦卒中占我國(guó)居民死亡率比例也較高，每5位死亡者中至少有一位死于腦卒中，醫(yī)療費(fèi)用也在逐年上漲，隨著我國(guó)的老齡化問題加重，未來會(huì)更加凸顯。

腦卒中是什么？它特指一種急性的腦血管病，是急性發(fā)病的局灶性的血管源性神經(jīng)損傷，癥狀為持續(xù)24小時(shí)以上或死亡，排除了其他的非腦血管病病因。這里面急性的缺血性腦卒中占百分之七八十；出血可能低一些，占百分之二三十或在我國(guó)可能更高一些。在這些急性缺血腦卒中臨床中，如何對(duì)患者進(jìn)行快速的精確診斷和分析評(píng)估，以及及時(shí)的干預(yù)和治療，是能夠影響患者預(yù)后的關(guān)鍵。

目前臨床中的診療流程主要是途中這個(gè)樣子：

患者自行就醫(yī)或者通過120送到醫(yī)院之后，臨床醫(yī)生首先對(duì)他進(jìn)行一些臨床評(píng)分、評(píng)估運(yùn)動(dòng)功能，然后進(jìn)行急診常規(guī)影像檢查，來排除這個(gè)人是不是出血或者其他的類卒中病變。確認(rèn)這個(gè)人是缺血之后，再根據(jù)其他的影像指標(biāo)來制定不同治療方式?，F(xiàn)在臨床中急性缺血卒中主要是有三種治療方式：標(biāo)準(zhǔn)內(nèi)科治療（比較保守）；溶栓治療；取栓治療（積極的進(jìn)行血管開通）。

統(tǒng)計(jì)數(shù)據(jù)顯示，我國(guó)發(fā)病6小時(shí)以內(nèi)入院患者不足6%，我們需要對(duì)這1小時(shí)患者更加嚴(yán)格的影像評(píng)估，來決定適合哪種治療方式。

這些影像掃描會(huì)包括什么呢？

首先需要對(duì)患者進(jìn)行血管成像，醫(yī)生需要知道患者哪一個(gè)部位的血管閉塞了。如果患者已經(jīng)超過了6小時(shí)時(shí)間窗的話，就需要進(jìn)行進(jìn)一步的組織窗評(píng)估。組織窗評(píng)估目前主要是通過灌注影像進(jìn)行。

缺血性卒中治療中存在的問題。

1. 診療水平和臨床經(jīng)驗(yàn)不足。高端醫(yī)院雖然有高端影像設(shè)備，但并不能被充分使用、價(jià)值尚待挖掘。

2. 影像分析效率與準(zhǔn)確度難以保證。目前，大部分醫(yī)院并沒有智能分析軟件幫醫(yī)生分析，主要是通過手術(shù)方式測(cè)量，效率難以保證，或通過主觀判斷，這樣的話就缺乏一個(gè)量化指標(biāo)，準(zhǔn)確度就更加難以保證。

3. 醒后卒中發(fā)病時(shí)間難以確認(rèn)。很多患者可能是睡眠中發(fā)病，不能明確知道發(fā)病時(shí)間，只能以最后正常作為發(fā)病時(shí)間，但這樣信息作為決策依據(jù)肯定不準(zhǔn)確。

4. 治療風(fēng)險(xiǎn)難以評(píng)估。并不是所有患者都接受積極性治療方案，所以在治療之前需要對(duì)患者評(píng)估，是否有比較嚴(yán)重出血轉(zhuǎn)化風(fēng)險(xiǎn)，方法是對(duì)患者微出血點(diǎn)評(píng)估，但并沒有可靠的軟件，評(píng)估過程緩慢而且困難。

那么什么是組織窗評(píng)估呢？

組織窗評(píng)估

我們知道腦組織是通過腦動(dòng)脈血管來供應(yīng)的，一旦腦動(dòng)脈發(fā)生閉塞之后，它所供應(yīng)的腦血管區(qū)域就會(huì)發(fā)生缺血，然后發(fā)生一些組織的壞死，腦細(xì)胞的壞死，甚至再時(shí)間長(zhǎng)了之后就會(huì)有大片的組織壞死，形成一個(gè)梗死的一個(gè)聚集區(qū)域。這些細(xì)胞已經(jīng)不可挽救，所以被稱為一個(gè)梗死核心區(qū)。

那么為什么會(huì)有這樣一個(gè)缺血半暗帶存在？

這是因?yàn)槟X血管的復(fù)雜性決定的。雖然說對(duì)這一部分組織進(jìn)行直接供血的血管閉塞了，但是組織周圍的一些血管可以代償性的為當(dāng)前組織提供供血。所以就有了這缺血半暗帶的形成。

臨床中希望患者的缺血半暗帶足夠大，同時(shí)梗死核心區(qū)足夠小，這就意味著患者能夠很大概率的從取栓和溶栓治療中受益。

那么什么是灌注呢？

灌注是指血流通過毛細(xì)血管網(wǎng)，將它所攜帶的氧和營(yíng)養(yǎng)物質(zhì)輸送給組織細(xì)胞，它存在于正常組織和病變。這種毛細(xì)血管中的血液的流動(dòng)，使得灌注成像成為可能。灌注成像是可以反映組織微血管分布和血流灌注情況的成像方式，被廣泛用來評(píng)估腦組織血流動(dòng)力學(xué)參數(shù)，例如CBF等。

實(shí)際上怎么做的呢？

通過靜脈快速注射造影劑，然后在選擇的層面上連續(xù)的拍攝一些 CT或者M(jìn)R影像，這些影像上的信號(hào)強(qiáng)度就反映了它的組織密度隨時(shí)間變化。也就是說我們可以監(jiān)察每一塊組織在每一個(gè)時(shí)間點(diǎn)上的造影劑的聚集濃度。通過一些在灌注圖像的一些解算，就可以得到能夠更加直接反映這些腦組織血流動(dòng)力學(xué)功能的一些參數(shù)，比如說腦血流量、腦血容量、Tmax等。

在解算過程中有幾個(gè)比較重要的環(huán)節(jié)，其中一個(gè)是動(dòng)脈輸入函數(shù)的選擇，我們需要知道哪一根血管是對(duì)我們所關(guān)注的腦組織進(jìn)行供血的。另外得到參數(shù)特征圖之后，需要根據(jù)這些信息來求解和分割梗死核心和缺血半暗帶，這也是另外一個(gè)技術(shù)核心。

目前這些梗死核心和缺血半暗帶的測(cè)量，基本上都是通過人工化進(jìn)行的，比較費(fèi)時(shí)，而且也有很大的主觀依賴性。因此東軟醫(yī)療就開發(fā)了NeuBrain care軟件，可以自動(dòng)完成灌注影像分析，得出缺血半暗帶和梗死灶的核心定量指標(biāo)。

這是CT灌注圖測(cè)試結(jié)果，在處理過程中能準(zhǔn)確找到動(dòng)脈輸出函數(shù)位置。與傳統(tǒng)方法不同，東軟采用了深度學(xué)習(xí)模型。

一個(gè)卷積分割模型把血管束尋找出來，然后再找到定位到合適的血管的位置，這樣就能夠幫助我們進(jìn)行更加精確的進(jìn)行灌注圖像的分析。

我們?cè)趺吹玫焦Ｋ篮诵暮腿毖氚祹В?br/>

用病側(cè)的這一個(gè)CBF值和對(duì)側(cè)健康的這邊做比較，如果低于30%，那就認(rèn)為是梗死核心區(qū)域。在TMAX上時(shí)間大于6秒的區(qū)域，就認(rèn)為是低灌注區(qū)域。低灌注區(qū)域是包含了前面提到的缺血半暗帶以及梗死核心區(qū)域。

然后根據(jù)我們算出的一些參數(shù)，比如說梗死核心區(qū)域小于70毫升，低區(qū)與核心梗死區(qū)不匹配比大于1.2或1.8，同時(shí)嚴(yán)重低灌注區(qū)域在100毫升以內(nèi)，就認(rèn)為這個(gè)患者是適合接受血管內(nèi)治療的。

點(diǎn)CT定量分析結(jié)果示意圖

這是一個(gè)點(diǎn)CT 定量分析的一個(gè)結(jié)果示意圖。我們直接把這個(gè)結(jié)果呈現(xiàn)給臨床醫(yī)生，醫(yī)生就可以很快做一個(gè)比較精準(zhǔn)的決策。

MR分析與前面的CT比較相似，唯一不同的是梗死核心區(qū)域在MR分析中并不是基于CBF計(jì)算，而是采用DWI的高信號(hào)區(qū)域，就是ADC小于620的區(qū)域，簡(jiǎn)單地用閾值進(jìn)行梗死核心區(qū)域做分割肯定會(huì)引入一些噪聲。

所以我們利用深度學(xué)習(xí)方法進(jìn)行分割，以人分割的結(jié)構(gòu)作為標(biāo)準(zhǔn)，來對(duì) ADC上的梗死核心做一個(gè)自動(dòng)分割。我們進(jìn)行了簡(jiǎn)單測(cè)試，發(fā)現(xiàn)與專家標(biāo)注結(jié)果的一致性達(dá)到基本上達(dá)到100%。

這是一個(gè)MR的測(cè)試結(jié)果。

我們通過將AI整合急性缺血卒中患者圖像分析過程，實(shí)現(xiàn)全自動(dòng)分析過程，而且把產(chǎn)品掛接在影像云，醫(yī)生可以將圖像上傳到云端，很快就可以返回分析結(jié)果。

前面也提到我們需要在治療結(jié)束之前評(píng)估患者的出血轉(zhuǎn)化的風(fēng)險(xiǎn)，怎么做？

一個(gè)比較有潛力的方法評(píng)估微出血點(diǎn)，利用患者的SWI影像進(jìn)行評(píng)估。但是微出血點(diǎn)一般是體積比較小，一般是3~20毫米的尺寸，而且很多患者腦中分布比較分散，所以人工去做分割、去統(tǒng)計(jì)，這工作量非常龐大，基本上不太可行。

因此我們用數(shù)據(jù)信息模型對(duì)這個(gè)出血灶數(shù)據(jù)點(diǎn)進(jìn)行分割，分割完之后對(duì)它進(jìn)行相應(yīng)的自動(dòng)統(tǒng)計(jì)，看它的位置、數(shù)量、體積。這樣的好處在于根據(jù)統(tǒng)計(jì)報(bào)表，醫(yī)生就可以定量的分析這位患者是不是有一些治療之后的出血風(fēng)險(xiǎn)。

典型病例，女，63歲，因?yàn)樽髠?cè)肢體弱之后入院。因?yàn)樵?小時(shí)以外，所以就很快磁共振檢查，發(fā)現(xiàn)其Mismatch比例在4.4左右，也就是十分適合做取栓治療，在4天后，基本上就可以自行步行出院，治療效果理想。

目前，國(guó)內(nèi)新冠肺炎已經(jīng)控制比較好，但國(guó)際上仍然洶涌。

新冠肺炎傳染性強(qiáng)、致死率高，早發(fā)現(xiàn)、早隔離是比較好的手段。但確診依賴于核酸檢測(cè)，檢測(cè)方法特異性強(qiáng)，敏感性差，CT就發(fā)揮了重要的作用，對(duì)早期診斷和篩查起到補(bǔ)充。

大量CT影像早期篩查和診斷會(huì)給醫(yī)生帶來龐大的工作量，反而不利于所以控制疾病的蔓延和患者的及時(shí)治療。

東軟醫(yī)療在這方面有一些比較好的優(yōu)勢(shì)，我們很早就推出了自主研發(fā)的全身車載CT，而且也有自己的一個(gè)智能影像云平臺(tái)NeuMiva。而且我們跟鐘南山院士的團(tuán)隊(duì)成立了呼吸影像大數(shù)據(jù)與人工智能應(yīng)用聯(lián)合實(shí)驗(yàn)室。

在疫情爆發(fā)之后，東軟醫(yī)療很快就組建了新冠CT、AI項(xiàng)目組。在7天時(shí)間內(nèi)聯(lián)合吉大一醫(yī)院、武漢市一醫(yī)院專家們完成了第1版產(chǎn)品的研發(fā)和發(fā)布，到目前為止已經(jīng)在全國(guó)的五六十家醫(yī)院、60多家醫(yī)院進(jìn)行安裝使用，包括了武漢的洪山體育館方艙醫(yī)院和武漢的雷神山醫(yī)院。

技術(shù)路線相對(duì)比較簡(jiǎn)單，我們針對(duì)新冠肺炎影像的特殊性（因?yàn)槲覀兓旧隙际谴_診數(shù)據(jù)），設(shè)計(jì)了一個(gè)基于3D和2D混合卷積的一個(gè)網(wǎng)絡(luò)對(duì)病灶進(jìn)行分割。再結(jié)合我們已經(jīng)有的肺分割和肺葉分割的模型，就可以對(duì)肺炎的病灶進(jìn)行定量分析。

目前功能就是檢測(cè)新冠肺炎相關(guān)典型征象，例如，磨玻璃影質(zhì)、實(shí)性病變以及索條等，可以提示醫(yī)生患者是否有新冠病毒感染風(fēng)險(xiǎn)，在短時(shí)間內(nèi)完成病例檢查。數(shù)據(jù)因?yàn)樽杂谝痪€醫(yī)院真實(shí)數(shù)據(jù)，所以結(jié)果在同類對(duì)比中相當(dāng)準(zhǔn)確。

目前產(chǎn)品有兩種部署方式：

第一種，是部署在東軟醫(yī)療后處理工作站AVW，通過本地部署方式，只要把AVW升級(jí)就可以實(shí)現(xiàn)。

第二種，搭載于東軟NewMiva，智能醫(yī)學(xué)影像云平臺(tái)。

火眼AI的云端的版本界面示意圖

火眼AI本地版的示意圖 

本地版和云端版各有優(yōu)劣。

本地版因?yàn)槭窃簝?nèi)部署，所以圖像傳輸速度和檢測(cè)速度相對(duì)更快，信息數(shù)據(jù)更安全，但對(duì)硬件的配置有一定要求，而且更新性慢。

 云端版是自行更新，迭代會(huì)比較快，對(duì)設(shè)備要求低，普通電腦和手機(jī)都可以使用，也可以發(fā)起遠(yuǎn)程醫(yī)療會(huì)診，但受網(wǎng)絡(luò)速度影響。

人工智能影像平臺(tái)可以為新冠做更多，3月20號(hào)發(fā)表的一篇文章顯示，新冠肺炎不同的發(fā)展階段，影像有各自特點(diǎn)。

在早期，是多發(fā)或散發(fā)磨玻璃影，多分布于胸膜下、葉間裂下或支氣管血管束分布；

在進(jìn)展期，病灶增大，出現(xiàn)不同程度的實(shí)變；

在重癥期，雙肺發(fā)生彌漫性病變面性改變，嚴(yán)重會(huì)出現(xiàn)白肺；

在轉(zhuǎn)歸期，神經(jīng)病變或磨玻璃基本都會(huì)被吸收。有的病人會(huì)出現(xiàn)纖維條索。

 意味AI在影像篩查、診斷、分析以及各個(gè)環(huán)節(jié)都發(fā)揮著重要作用。

這一篇是比較早的預(yù)印本文章，還沒有正式發(fā)表，通過深度神經(jīng)學(xué)習(xí)網(wǎng)絡(luò)對(duì)患者區(qū)分，看到底是新肺炎患者，還是普通流感患者。

收集了110位核酸陽性患者和224位普通流感患者，以及175位的健康患者，對(duì)他們2D圖像逐層檢測(cè)，之后對(duì)患者多張2D圖像投票，確定患者到底是哪一種疾病，最終達(dá)到86.7%分類準(zhǔn)確性。

也有研究者嘗試這種模型對(duì)患者診斷，區(qū)分新冠肺炎患者和其他疾病患者。數(shù)據(jù)量相對(duì)少，只有51位新冠肺炎確診患者和55位其他患者，模型是基于2D。測(cè)試集只有前瞻性數(shù)據(jù)27位患者，但效果值得我們進(jìn)一步數(shù)據(jù)驗(yàn)證。

這是一篇最近3月19號(hào)發(fā)表的文章，它是截至目前深度學(xué)習(xí)相關(guān)的文章里面數(shù)據(jù)量最大的一篇。

收集了1296位新冠肺炎確診患者，相關(guān)社區(qū)獲得性肺炎確診患者1735位，以及1325位非肺炎的患者圖像。將數(shù)據(jù)按9：1分為訓(xùn)練集和測(cè)試集，去訓(xùn)練一個(gè)分類神經(jīng)網(wǎng)絡(luò)，然后判斷患者到底是新冠肺炎還是社區(qū)獲得性肺炎還是沒有肺炎，最后結(jié)果尤其敏感性也是比較可觀的。

新冠肺炎分類敏感性90%，特異性96%，為了提高模型可解釋性，還使用熱力圖體現(xiàn)模型關(guān)注點(diǎn)。最后發(fā)現(xiàn)新冠肺炎患者影像關(guān)注點(diǎn)是在貼近胸模的病灶，而社區(qū)型肺炎關(guān)注點(diǎn)在位于肺部的中央?yún)^(qū)域，那些非肺炎、也不是新冠肺炎的患者，圖像上并沒有聚焦關(guān)注點(diǎn)。

更早時(shí)候，國(guó)外研究者也嘗試用AI模型建立病灶衡量模型，通過對(duì)比不同掃描、不同隨訪獲取的實(shí)體影像動(dòng)態(tài)觀察病灶病變，從而幫助醫(yī)生評(píng)估影像疾病發(fā)展。但這項(xiàng)研究訓(xùn)練集都是5~10毫米，跟新冠肺炎實(shí)情不太一樣。新冠肺炎建議是薄層影像，因?yàn)楹芏酀撛谀ゲＡв霸诤駥佑跋袷强床坏?/strong>，這也是研究需要注意的問題。

也有研究者收集臨床信息建立預(yù)后分析模型，模型里面沒有涉及影像信息，經(jīng)過特征實(shí)驗(yàn)篩選后，發(fā)現(xiàn)有三個(gè)特征較好預(yù)測(cè)性能。包括乳酸脫氫酶、淋巴細(xì)胞以及高敏感性c反應(yīng)蛋白，對(duì)患者生存率和死亡率預(yù)測(cè)，發(fā)現(xiàn)precision（精密度）高。

總結(jié)起來，人工智能模型可以用于整個(gè)醫(yī)學(xué)影像鏈。從圖像獲取、成像環(huán)節(jié)到圖像應(yīng)用的處理環(huán)節(jié)、輔助診療環(huán)節(jié)以及存儲(chǔ)傳輸環(huán)節(jié)都可以得到應(yīng)用。

經(jīng)驗(yàn)看來，醫(yī)學(xué)影像和AI結(jié)合有其特殊性。

 1、數(shù)據(jù)獲取的困難，醫(yī)學(xué)影像和自然圖像領(lǐng)域不一樣，雖然數(shù)據(jù)大，但數(shù)不等于大數(shù)據(jù)，這一次深度學(xué)習(xí)有效，是因?yàn)槟塬@取很多大數(shù)據(jù)。雖然影像數(shù)據(jù)量也隨著時(shí)間在累積，但分布在不同病種、不同部位、不同醫(yī)院等，所以當(dāng)想做具體應(yīng)用的時(shí)候，很難針對(duì)具體應(yīng)用去獲取大批量數(shù)據(jù)，上萬、上千是比較難的，尤其是需要精準(zhǔn)標(biāo)簽的時(shí)候。

另外問題是疾病復(fù)雜性和不確定性。例如，新冠肺炎，最大的特點(diǎn)就是具有同病異影和異影同病問題，如果沒有核酸作為金標(biāo)準(zhǔn)，很難確定肺炎CT數(shù)據(jù)到底新冠肺炎還是其他肺炎。

考慮判斷主觀性，例如我們提到的AI質(zhì)量控制，但判斷圖像是否滿足診斷需求，醫(yī)生有很大主觀性的。A醫(yī)生認(rèn)為圖像質(zhì)量差，不能診斷，但B醫(yī)生認(rèn)為沒問題，可以精準(zhǔn)診斷。如果用不同醫(yī)生做數(shù)據(jù)標(biāo)注之后模型訓(xùn)練，結(jié)果肯定有問題。

2、醫(yī)學(xué)問題的專業(yè)性，用深度學(xué)習(xí)網(wǎng)絡(luò)CT、MR的重建加速，也可以直接把自然圖像領(lǐng)域模型遷移，但圖像質(zhì)量肯定不好。所以在模型設(shè)計(jì)階段，結(jié)合傳統(tǒng) MR和CT成像理論，將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用進(jìn)去，得到比較好結(jié)果，也可以進(jìn)一步提高模型可解釋性，例如，在設(shè)計(jì) MR 的AI重建，數(shù)據(jù)重建后都加k空間數(shù)據(jù)保真層，也提示我們數(shù)據(jù)結(jié)果可靠的原因。

3、臨床場(chǎng)景的重要性。AI是一個(gè)強(qiáng)大工具，但并不能一下解決所有問題。卒中影像分析，AI只能在其中某幾個(gè)重要環(huán)節(jié)起到作用；但灌注圖像的解算，還是用傳統(tǒng)方法，有研究者直接把持續(xù)多個(gè)時(shí)間點(diǎn)圖像輸入到模型，直接學(xué)習(xí)梗死核心和缺血半暗帶。首先樣本肯定相對(duì)局限，之后將模型應(yīng)用到新數(shù)據(jù)，泛化能力也明顯不理想。

還有肺結(jié)節(jié)，很多公司都推出肺結(jié)節(jié)AI。它在局限場(chǎng)景下，例如去做大批量肺癌影像篩查，幫醫(yī)生很快篩查出風(fēng)險(xiǎn)患者，這是非常有用的，但醫(yī)生用于日常工作中，分析普通病人胸部影像，會(huì)漏掉很多沒有學(xué)過的病灶，需要針對(duì)性設(shè)計(jì)完整解決方案。

總結(jié)來看，醫(yī)療人工智能在臨床價(jià)值已經(jīng)得到初步印證，而可能存在的問題我們已經(jīng)得到認(rèn)識(shí)，法律法規(guī)也逐漸健全。我相信在未來，醫(yī)療影像能夠得到非?？焖俚陌l(fā)展。

本文來源：東軟醫(yī)療人工智能與臨床創(chuàng)新研究院總監(jiān)  楊明雷 博士

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。