核酸檢測準確率不高？CT影像靠人工鑑別需耗費大量時間精力？面對新冠疫情診斷的現實需求，復旦大學計算機科學技術學院與大數據研究院聯合上海市公共衛生臨床中心放射科完成的輔助診斷AI於本月21日進駐了上海公衛臨床中心，進入調試階段，講投入臨床實戰。
通過AI智能算法實現2019-nCoV肺炎與其他病毒性肺炎、細菌性肺炎的影像分類識別及病灶檢測，幫助臨床進行更高效的診斷。目前取得的應用數據顯示，對新冠肺炎類型診斷的假陰性在7%左右（核酸檢測假陰性高達30%-50%）。
1月29日，復旦大學副校長張志勇就牽頭復旦大學計算機科學技術學院、大數據研究院聯合上海市（復旦大學附屬）公共衛生臨床中心放射科，正式啟動了2019-nCoV肺炎影像學AI智能輔助診斷的相關研究工作。
數據模型：從一個病例400層影像中準確定位病灶區域
新冠病毒引起的肺炎，與其他病毒性肺炎、細菌性肺炎在CT影像呈現上有諸多相似之處。三種肺炎都存在視覺相似的病灶（如磨玻璃影），目前臨床發現可適當利用病灶在肺部空間的分佈等諸多差異信息進行區分。
“影像科醫生診斷一個病例要看400層左右的影像，加上前後對比，最快也需要5-10分鐘，而好的算法只需幾秒鐘。”復旦大學計算機科學技術學院教授薛向陽介紹，AI輔助算法的最大優勢在於讀片速度，在秒級時間內就能幫助醫生預發現病灶發生區域，從而大幅度縮短醫生的讀片時間，提高臨床診治的效率。
如何讓AI具備鑑別新冠肺炎的能力，並投入這場戰“疫”？真正的“最強大腦”是算法模型。
團隊用當前最先進的深度學習算法，為肺部CT影像定製了一套深度神經網絡模型，並以長期研究積累的經驗與技巧，在CT影像標註數據較少的情況下，訓練出性能比較好的模型。
CT影像和算法模型檢測後的可視化結果（演示區域存在病灶）
科學算法輔助AI小樣本“自學成才”
“現階段醫生需要在大量影像數據中快速診斷出新冠肺炎的病例，此外還需要診斷出病灶分佈的位置、大小等來評估嚴重程度。”薛向陽介紹，針對臨床的現實需求，團隊將設計目標定位於“肺炎分類鑑別”和“關鍵病灶檢測”兩大功能，前者是為區別健康狀態、新冠肺炎、其他病毒性肺炎、細菌性肺炎，後者則為找到並分隔出磨玻璃影等病灶區域。
針對這些需求，團隊設計診斷算法模型，讓機器利用模型進行訓練，學習不同類型肺炎在CT影像表現上的不同特徵，最終具備智能輔助診斷的能力。而這需要突破小樣本學習、小目標檢測等多個技術難題。
“小樣本學習”即在較少訓練數據樣本的條件下進行機器學習。在疫情發生前期，能夠獲取的新冠肺炎影像數據相對較少，且由於一線影像醫生任務繁重，無法獲得大量專家標註，因此需要算法在少量樣本的條件下“自學成才”。
為此，團隊採用基於自遷移學習的半監督學習等技巧，使算法具備一定的“小樣本學習”能力，在不增加醫生標註工作量的情況下較好地提高了算法模型的普適性。
由於CT影像切片中的病灶區域有大有小，且往往大中小病灶區域面積懸殊，如何使算法能同時檢測大、中、小各個目標是另一大難題。
團隊利用神經網絡的層次性特點與病灶區域的大小進行對應，“網絡的底層關注細節，即小病灶區域，而網絡中層到高層所關注的病灶區域則越來越大，因此模型通過不同層次的加權和融合，最終便能達到同時檢測大小病灶區域的目標。”薛向陽解釋道。
“不過，即便有診斷‘神器’，影像科醫生也是不可替代的。”薛向陽說，人是複雜的機體，病毒在不同人體內感染的反映也不一定相同。”他表示，當遇到機器未曾學習過的微小病變或疑難病例時，仍需要影像醫生的經驗和智慧。
臨床影像醫生遠程標註數據，感染嚴重的病例5小時才能完成標註
以解決實際問題為目標，該項目在研究過程中始終與臨床應用緊密結合。無論是機器學習數據，還是測試評估數據，都來源於臨床真實病例。在算法模型定型過程中，為了檢驗模型的準確率和泛化性，團隊也利用現實疑似病例進行了測試。
上海市公共衛生臨床中心影像科單飛主任團隊、施裕新教授團隊為研究注入來自臨床的實戰力量。醫生們通過線上平臺遠程指導團隊學生辨識病灶，輔導學生進行數據標註。精細化標註要求將病灶的位置勾勒出來，每個病例至少包括400多層影像，感染不嚴重的病例標註大約需要一小時，感染嚴重的病例病灶區域較多，最多的需要標註近五小時。
團隊成員在全國各地遠程聯合調試並且於醫生溝通標註數據。
“哪些是病灶，是什麼類型的病灶等，這些信息非常複雜，但很重要，算法要知道這些標註信息，才能進行訓練。同時，醫生們每日堅持與算法團隊同步進展，並針對相應問題提出改進建議。”薛向陽說：“他們既在一線奮戰，又全力幫助我們，為這次疫情付出了太多。”
2月21日，團隊開發的相關輔助診斷設備系統已進入上海公共衛生臨床中心進行聯試聯調，下一步將完成與影像科CT設備數據對接及臨床應用流程嵌入。在臨床應用中，輔助診斷軟件系統將從設備中實時獲取數據並進行快速識別。“影像醫生在拿到CT數據的同時，就能立即看到輔助診斷的結果，以此為參考，將有效提高診斷效率。”
2月21日晚，團隊成員，蔣龍泉同學在上海市公共衛生臨床中心部署輔助診斷設備
除了精準鑑別肺炎類型，該研究項目後續還將實現對病程狀態的判定及病情發展的預測，為醫生的診療方案提供參考。“我們將繼續與醫院團隊合作，增加患者的體溫、血液檢測等臨床數據，突破多模態、多組學AI輔助診斷算法的研究。”薛向陽期待相關成果不僅在當前疫情期間發揮作用，在未來也能對肺炎疾病的診斷與治療持續發力。
自疫情發生以來，復旦大學已自籌經費啟動了一批項應急性和原創性攻關項目。學校建立應對新型冠狀病毒肺炎科技攻關項目庫，完成第二批應急攻關項目徵集併入庫，鼓勵多學科交叉、醫工結合、校企合作，將研究成果儘快應用到戰勝疫情中，為抗擊疫情提供科技支撐。
閱讀更多 晚晴報 的文章
