在過去幾個(gè)月里，COVID－19襲擊了全球各大地區(qū)，而大規(guī)模的篩查和檢測(cè)是防控的關(guān)鍵：包括X射線和CT在內(nèi)的醫(yī)學(xué)影像技術(shù)在抗擊疫情的過程中起到了至關(guān)重要的作用，而AI則大幅度提升了醫(yī)學(xué)影像工具的能力和效率。

來自上海聯(lián)影、上海大學(xué)、劍橋大學(xué)等機(jī)構(gòu)的研究人員對(duì)AI結(jié)合醫(yī)學(xué)影像領(lǐng)域在疫情中的應(yīng)用進(jìn)行了回顧和總結(jié)，從無接觸數(shù)據(jù)采集、工作流程重塑和定量醫(yī)學(xué)影像分析等方面進(jìn)行了闡述，展現(xiàn)了AI在抗擊COVID－19過程中不可或缺的重要作用。

基于醫(yī)學(xué)影像的檢測(cè)至關(guān)重要

目前全球報(bào)告的COVID－19感染者已經(jīng)超過150萬人，而有效的大規(guī)模檢測(cè)是防控疫情的關(guān)鍵所在。目前廣泛使用的是逆轉(zhuǎn)錄聚合酶鏈反應(yīng)（RT－PCR，核酸檢測(cè)），借助生物工程的強(qiáng)大能力成為了我國(guó)在抗擊疫情中的有力武器。但RT－PCR方法卻在世界上很多國(guó)家面臨檢測(cè)試劑不足、檢測(cè)能力不足的困擾，同時(shí)還受到質(zhì)量問題的影響。不僅如此，還有研究表明，實(shí)驗(yàn)中存在著較高的假陰性率。

好在醫(yī)務(wù)人員在臨床試驗(yàn)中利用的包括X和CT的醫(yī)療影像設(shè)備為肺炎的診斷提供了有效幫助。中國(guó)的經(jīng)驗(yàn)表明，如果在CT中觀察到了肺部的相應(yīng)病理特征，很多病例將會(huì)被認(rèn)定為疑似病例，即使沒有臨床癥狀也要進(jìn)行隔離。鑒于核酸檢測(cè)的準(zhǔn)確性仍待提高，疑似患者需要隔幾天進(jìn)行多次檢測(cè)以確定診斷結(jié)果。這時(shí)候，基于醫(yī)學(xué)影像的手段在防控病毒傳播的過程中就發(fā)揮了重要作用。

以胸部CT為例，基于醫(yī)學(xué)影像的COVID－19診斷流程通常包括三個(gè)階段，即掃描前準(zhǔn)備、醫(yī)學(xué)影像獲取和分析診斷。人工智能作為醫(yī)學(xué)影像領(lǐng)域的新興技術(shù)，與高度依賴人工的傳統(tǒng)成像工作流程相比，可提供更安全、準(zhǔn)確、高效的成像解決方案。在接下來的報(bào)告中，作者總結(jié)了用于COVID－19的智能醫(yī)學(xué)影像平臺(tái)和工作流程中流行的機(jī)器學(xué)習(xí)方法，以及一些公開可用的數(shù)據(jù)集。（注：本研究截止于2020年03月31日）

AI賦能無接觸醫(yī)學(xué)影像診斷流程

醫(yī)務(wù)人員在抗擊疫情的過程中沖在了第一線，采集醫(yī)學(xué)影像的過程中不可避免地要接觸潛在患者。傳統(tǒng)的成像過程中，患者需要在醫(yī)務(wù)人員的幫助下調(diào)整和定位身體，協(xié)助患者擺好合適的姿勢(shì)，在密切接觸過程中暴露在病毒下的風(fēng)險(xiǎn)很高；相比之下，非接觸式自動(dòng)成像工作流程可以將醫(yī)患間的接觸和感染風(fēng)險(xiǎn)降低到最小。

目前很多X光和CT設(shè)備都配備了用于監(jiān)護(hù)患者的攝像頭，它們?yōu)榉墙佑|式的醫(yī)學(xué)影像采集提供了設(shè)備基礎(chǔ)。工作人員可以利用攝像頭觀察和指導(dǎo)患者的位姿。但僅憑攝像頭的2D視角，研究人員無法有效判斷需要的測(cè)量范圍和掃描參數(shù)。這時(shí)候基于AI的方法可以識(shí)別出患者的姿勢(shì)和形狀，而在算法的幫助下，RGB相機(jī)TOF傳感器等就能提供患者的姿態(tài)信息，以幫助醫(yī)生確定最佳掃描參數(shù)——例如從圖像中檢測(cè)患者身體關(guān)鍵點(diǎn)，包括頸部、肩膀、肘部、腳踝、手腕和膝蓋等等。

實(shí)踐表明這種方式可以有效減少不必要的職業(yè)暴露。除了通過關(guān)鍵點(diǎn)和人體三維模型定義掃描參數(shù)外，AI還可以對(duì)齊患者與掃描中心、減小放射劑量、提高成像質(zhì)量。此外，它還能使用基于參數(shù)化人體模型的方法來有效解決遮擋和關(guān)鍵點(diǎn)精度，有效推斷出患者的3D姿態(tài)。

更準(zhǔn)確的人體定位和參數(shù)化測(cè)量使準(zhǔn)確、無接觸的醫(yī)學(xué)影像檢測(cè)成為可能。下圖展示了無接觸影像采集的例子：

這是典型的無接觸掃描流程，是基于移動(dòng)CT平臺(tái)在AI的幫助下實(shí)現(xiàn)自動(dòng)化無接觸影像采集的流程。其中掃描室和控制室完全獨(dú)立，避免了醫(yī)務(wù)人員與患者的不必要接觸，患者則在工作人員視覺監(jiān)測(cè)和聲音指導(dǎo)下調(diào)整姿勢(shì)。同時(shí)，基于3D位姿估算和AI得到的網(wǎng)格模型，也可以估計(jì)患者身體部位、掃描范圍和中心線，從而轉(zhuǎn)換為控制信號(hào)的掃描參數(shù)。當(dāng)然必要的時(shí)候，技術(shù)人員還可以對(duì)參數(shù)進(jìn)行調(diào)整。在參數(shù)得到驗(yàn)證后，CT將患者對(duì)準(zhǔn)設(shè)備ISO中心并移入CT龍門進(jìn)行掃描。采集CT圖像后，在算法的輔助下，醫(yī)務(wù)人員將對(duì)其進(jìn)行處理和分析，以進(jìn)行篩查和診斷。

AI賦能的醫(yī)學(xué)影像處理

目標(biāo)檢測(cè)和分割是肺炎檢測(cè)中的必要步驟。醫(yī)生需要對(duì)胸部醫(yī)學(xué)影像中的目標(biāo)區(qū)域（包括肺部、肺葉、支氣管等位置和感染、病變區(qū)域的定位等）進(jìn)行描繪，以支撐后續(xù)的定量評(píng)估。目前的技術(shù)主要是基于U－Net及其變體模型進(jìn)行目標(biāo)區(qū)域分割。下表展示了目前應(yīng)用于COVID－19分割的深度學(xué)習(xí)方法：

針對(duì)肺部區(qū)域和肺部病變進(jìn)行檢測(cè)和分割是研究的重點(diǎn)：一方面需要從醫(yī)學(xué)影像中分離出肺部區(qū)域，同時(shí)還需要從肺部區(qū)域中分離出病變區(qū)域。目前主要報(bào)道的文獻(xiàn)中使用了最為經(jīng)典的U－Net架構(gòu)以及更為復(fù)雜的U－Net＋＋模型，還有包含殘差結(jié)構(gòu)的V－Net和注意力機(jī)制來獲取更為精細(xì)的肺部結(jié)構(gòu)和病變區(qū)域。

但另一個(gè)問題是，訓(xùn)練強(qiáng)大的分割網(wǎng)絡(luò)需要充足的標(biāo)記數(shù)據(jù)，而在COVID－19中，通常還無法獲得充分的標(biāo)記數(shù)據(jù)。為解決這一問題，研究人員將人類知識(shí)結(jié)合到了檢測(cè)流程中。有的學(xué)者將人類決策放入了訓(xùn)練VB－net模型的閉環(huán)中，加入了放射科醫(yī)生的交互。還有研究人員利用放射科醫(yī)生給出的初始種子來輔助U－Net識(shí)別感染區(qū)域。此外，還有人使用了包括注意力機(jī)制和弱監(jiān)督學(xué)習(xí)的方法來進(jìn)行訓(xùn)練。

精確的感染區(qū)域分割可以對(duì)感染程度進(jìn)行量化，讓醫(yī)生能更全面地了解到有關(guān)患者病情嚴(yán)重程度的信息。同時(shí)，提取肺部感染區(qū)域的特征也可對(duì)患者的住院時(shí)間和診療方案進(jìn)行一定的輔助預(yù)測(cè)。

AI輔助的診斷

在獲得了有效的醫(yī)學(xué)影像后，需要專家來對(duì)病人的病情進(jìn)行診斷。但在流行病爆發(fā)的當(dāng)下，醫(yī)療資源的嚴(yán)重匱乏使得準(zhǔn)確高效的診斷變得困難。不僅由于診斷需要花費(fèi)大量時(shí)間，還因?yàn)镃OVID－19與其他肺炎的相似表現(xiàn)需要醫(yī)生具有豐富的經(jīng)驗(yàn)和診斷能力。而AI則可以輔助醫(yī)生對(duì)病人病情進(jìn)行判斷，實(shí)現(xiàn)更高效、更準(zhǔn)確的診斷。

X射線和CT影像都能為AI輔助診斷提供有效信息，其中包括X胸片中的異樣、基于CT影像的COVID－19分類以及與其他類似肺炎的區(qū)分，同時(shí)還包括病情嚴(yán)重性評(píng)估的輔助手段。下表展示了目前AI輔助診斷COVID－19的最新研究，涉及了病情分類、嚴(yán)重性評(píng)估等方面。

在AI輔助下，診斷的精度和速度得以大幅提升，寶貴的醫(yī)療資源也可以得到有效利用。此外，在病程進(jìn)展的后續(xù)研究，包括肺部病變區(qū)域的變化與病程的關(guān)系等方面，AI技術(shù)也為后續(xù)的治療以及疾病規(guī)律的研究提供了寶貴數(shù)據(jù)。

COVID－19的相關(guān)數(shù)據(jù)集

算法的開發(fā)和訓(xùn)練離不開數(shù)據(jù)的支撐，下面總結(jié)了幾個(gè)目前可以得到的數(shù)據(jù)：

－ J． P． Cohen， P． Morrison， and L． Dao， “COVID－19 image data collection，” arXiv 2003．11597， 2020． 其中包含了123張X射線數(shù)據(jù)集；
－ J． Zhao， Y． Zhang， X． He， and P． Xie， “COVID－CT－Dataset： A CT scan dataset about COVID－19，” 2020． 包含了288個(gè)CT切片患者病例；

－ Coronacases Initiative在網(wǎng)站上分享確診病例的相關(guān)數(shù)據(jù)；

－ 網(wǎng)站提供了COVID－19 CT分割數(shù)據(jù)集，包含60位患者的100個(gè)軸切面數(shù)據(jù)。

雖然這些數(shù)據(jù)的數(shù)量和質(zhì)量都還遠(yuǎn)遠(yuǎn)不能滿足AI算法的需求，但隨著人們對(duì)于疫情的認(rèn)識(shí)和數(shù)據(jù)的匯總整理，相信更多的數(shù)據(jù)會(huì)源源不斷的被整理開放出來。

在突如其來的COVID－19面前，AI在抗擊疫情中發(fā)揮出了重要的作用，也進(jìn)一步顯示了人工智能對(duì)于各個(gè)行業(yè)的重要作用。相信擁有強(qiáng)有力的AI武器，我們將能更快的戰(zhàn)勝病魔，取得抗疫的最終勝利！