人工智能结合医学影像领域助力“狙击”疫情

从春节前期武汉发现新冠状病毒到现在，已经几个月过去了，我国疫情已经得到稳定控制，但是，新冠状病毒已经在全球各大地区蔓延，到目前为止，还在不断增加，感染的国家在增加，感染人数也在不断增加，人数越来越庞大。

控制疫情刻不容缓，大规模的筛查和检测是防控的关键：包括X射线和CT在内的医学影像技术在抗击疫情的过程中起到了至关重要的作用，而人工智能则大幅度提升了医学影像工具的能力和效率。来自上海联影、上海大学、剑桥大学等机构的研究人员对AI结合医学影像领域在疫情中的应用进行了回顾和总结，从无接触数据采集、工作流程重塑和定量医学影像分析等方面进行了阐述，展现了AI在抗击疫情过程中不可或缺的重要作用。

基于医学影像的检测至关重要

目前全球报告的疫情感染者已经超过150万人，而有效的大规模检测是防控疫情的关键所在。目前广泛使用的是逆转录聚合酶链反应（RT－PCR，核酸检测），借助生物工程的强大能力成为了我国在抗击疫情中的有力武器。但RT－PCR方法却在世界上很多国家面临检测试剂不足、检测能力不足的困扰，同时还受到质量问题的影响。不仅如此，还有研究表明，实验中存在着较高的假阴性率。

好在医务人员在临床试验中利用的包括X和CT的医疗影像设备为肺炎的诊断提供了有效帮助。我国的经验表明，如果在CT中观察到了肺部的相应病理特征，很多病例将会被认定为疑似病例，即使没有临床症状也要进行隔离。鉴于核酸检测的准确性仍待提高，疑似患者需要隔几天进行多次检测以确定诊断结果。这时候，基于医学影像的手段在防控病毒传播的过程中就发挥了重要作用。

以胸部CT为例，基于医学影像的疫情诊断流程通常包括三个阶段，即扫描前准备、医学影像获取和分析诊断。人工智能作为医学影像领域的新兴技术，与高度依赖人工的传统成像工作流程相比，可提供更安全、准确、高效的成像解决方案。在接下来的报告中，有用于疫情的智能医学影像平台和工作流程中流行的机器学习方法，以及一些公开可用的数据集。

人工智能赋能无接触医学影像诊断流程

医务人员在抗击疫情的过程中冲在了第一线，采集医学影像的过程中不可避免地要接触潜在患者。传统的成像过程中，患者需要在医务人员的帮助下调整和定位身体，协助患者摆好合适的姿势，在密切接触过程中暴露在病毒下的风险很高；相比之下，非接触式自动成像工作流程可以将医患间的接触和感染风险降低到最小。

目前很多X光和CT设备都配备了用于监护患者的摄像头，它们为非接触式的医学影像采集提供了设备基础。工作人员可以利用摄像头观察和指导患者的位姿。但仅凭摄像头的2D视角，研究人员无法有效判断需要的测量范围和扫描参数。这时候基于AI的方法可以识别出患者的姿势和形状，而在算法的帮助下，RGB相机TOF传感器等就能提供患者的姿态信息，以帮助医生确定最佳扫描参数——例如从图像中检测患者身体关键点，包括颈部、肩膀、肘部、脚踝、手腕和膝盖等等。

实践表明这种方式可以有效减少不必要的职业暴露。除了通过关键点和人体三维模型定义扫描参数外，AI还可以对齐患者与扫描中心、减小放射剂量、提高成像质量。此外，它还能使用基于参数化人体模型的方法来有效解决遮挡和关键点精度，有效推断出患者的3D姿态。

更准确的人体定位和参数化测量使准确、无接触的医学影像检测成为可能。下图展示了无接触影像采集的例子：

这是典型的无接触扫描流程，是基于移动CT平台在AI的帮助下实现自动化无接触影像采集的流程。其中扫描室和控制室完全独立，避免了医务人员与患者的不必要接触，患者则在工作人员视觉监测和声音指导下调整姿势。同时，基于3D位姿估算和AI得到的网格模型，也可以估计患者身体部位、扫描范围和中心线，从而转换为控制信号的扫描参数。当然必要的时候，技术人员还可以对参数进行调整。在参数得到验证后，CT将患者对准设备ISO中心并移入CT龙门进行扫描。采集CT图像后，在算法的辅助下，医务人员将对其进行处理和分析，以进行筛查和诊断。

AI赋能的医学影像处理

目标检测和分割是肺炎检测中的必要步骤。医生需要对胸部医学影像中的目标区域（包括肺部、肺叶、支气管等位置和感染、病变区域的定位等）进行描绘，以支撑后续的定量评估。目前的技术主要是基于U－Net及其变体模型进行目标区域分割。下表展示了目前应用于COVID－19分割的深度学习方法：

针对肺部区域和肺部病变进行检测和分割是研究的重点：一方面需要从医学影像中分离出肺部区域，同时还需要从肺部区域中分离出病变区域。目前主要报道的文献中使用了最为经典的U－Net架构以及更为复杂的U－Net＋＋模型，还有包含残差结构的V－Net和注意力机制来获取更为精细的肺部结构和病变区域。

但另一个问题是，训练强大的分割网络需要充足的标记数据，而在疫情中，通常还无法获得充分的标记数据。为解决这一问题，研究人员将人类知识结合到了检测流程中。有的学者将人类决策放入了训练VB－net模型的闭环中，加入了放射科医生的交互。还有研究人员利用放射科医生给出的初始种子来辅助U－Net识别感染区域。此外，还有人使用了包括注意力机制和弱监督学习的方法来进行训练。

精确的感染区域分割可以对感染程度进行量化，让医生能更全面地了解到有关患者病情严重程度的信息。同时，提取肺部感染区域的特征也可对患者的住院时间和诊疗方案进行一定的辅助预测。

AI辅助的诊断

在获得了有效的医学影像后，需要专家来对病人的病情进行诊断。但在流行病爆发的当下，医疗资源的严重匮乏使得准确高效的诊断变得困难。不仅由于诊断需要花费大量时间，还因为疫情与其他肺炎的相似表现需要医生具有丰富的经验和诊断能力。而AI则可以辅助医生对病人病情进行判断，实现更高效、更准确的诊断。

X射线和CT影像都能为AI辅助诊断提供有效信息，其中包括X胸片中的异样、基于CT影像的新冠状病毒分类以及与其他类似肺炎的区分，同时还包括病情严重性评估的辅助手段。下表展示了目前AI辅助诊断疫情的最新研究，涉及了病情分类、严重性评估等方面。

在AI辅助下，诊断的精度和速度得以大幅提升，宝贵的医疗资源也可以得到有效利用。此外，在病程进展的后续研究，包括肺部病变区域的变化与病程的关系等方面，AI技术也为后续的治疗以及疾病规律的研究提供了宝贵数据。

新冠状病毒的相关数据集

算法的开发和训练离不开数据的支撑

一下是COVID－19 CT分割数据集，包含60位患者的100个轴切面数据。

虽然这些数据的数量和质量都还远远不能满足AI算法的需求，但随着人们对于疫情的认识和数据的汇总整理，相信更多的数据会源源不断的被整理开放出来。

在突如其来的新冠肺炎面前，人工智能在抗击疫情中发挥出了重要的作用，也进一步显示了人工智能对于各个行业的重要作用。相信拥有强有力的AI武器，我们将能更快的战胜病魔，取得抗疫的最终胜利！