在過去幾個月里，COVID－19襲擊了全球各大地區(qū)，而大規(guī)模的篩查和檢測是防控的關(guān)鍵：包括X射線和CT在內(nèi)的醫(yī)學影像技術(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)學影像工具的能力和效率。
來自上海聯(lián)影、上海大學、劍橋大學等機構(gòu)的研究人員對AI結(jié)合醫(yī)學影像領(lǐng)域在疫情中的應用進行了回顧和總結(jié)，從無接觸數(shù)據(jù)采集、工作流程重塑和定量醫(yī)學影像分析等方面進行了闡述，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)學影像的檢測至關(guān)重要
目前全球報告的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（RT－PCR，核酸檢測），借助生物工程的強大能力成為了我國在抗擊疫情中的有力武器。但RT－PCR方法卻在世界上很多國家面臨檢測試劑不足、檢測能力不足的困擾，同時還受到質(zhì)量問題的影響。不僅如此，還有研究表明，實驗中存在著較高的假陰性率。
好在醫(yī)務(wù)人員在臨床試驗中利用的包括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。中國的經(jīng)驗表明，如果在CT中觀察到了肺部的相應病理特征，很多病例將會被認定為疑似病例，即使沒有臨床癥狀也要進行隔離。鑒于核酸檢測的準確性仍待提高，疑似患者需要隔幾天進行多次檢測以確定診斷結(jié)果。這時候，基于醫(yī)學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)學影像的COVID－19診斷流程通常包括三個階段，即掃描前準備、醫(yī)學影像獲取和分析診斷。人工智能作為醫(yī)學影像領(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、準確、高效的成像解決方案。在接下來的報告中，作者總結(jié)了用于COVID－19的智能醫(yī)學影像平臺和工作流程中流行的機器學習方法，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，在密切接觸過程中暴露在病毒下的風險很高；相比之下，非接觸式自動成像工作流程可以將醫(yī)患間的接觸和感染風險降低到最小。
目前很多X光和CT設(shè)備都配備了用于監(jiān)護患者的攝像頭，它們?yōu)榉墙佑|式的醫(yī)學影像采集提供了設(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量范圍和掃描參數(shù)。這時候基于AI的方法可以識別出患者的姿勢和形狀，而在算法的幫助下，RGB相機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)——例如從圖像中檢測患者身體關(guān)鍵點，包括頸部、肩膀、肘部、腳踝、手腕和膝蓋等等。
實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)鍵點和人體三維模型定義掃描參數(shù)外，AI還可以對齊患者與掃描中心、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)鍵點精度，有效推斷出患者的3D姿態(tài)。
更準確的人體定位和參數(shù)化測量使準確、無接觸的醫(yī)學影像檢測成為可能。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CT平臺在AI的幫助下實現(xiàn)自動化無接觸影像采集的流程。其中掃描室和控制室完全獨立，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)測和聲音指導下調(diào)整姿勢。同時，基于3D位姿估算和AI得到的網(wǎng)格模型，也可以估計患者身體部位、掃描范圍和中心線，從而轉(zhuǎn)換為控制信號的掃描參數(shù)。當然必要的時候，技術(shù)人員還可以對參數(shù)進行調(diào)整。在參數(shù)得到驗證后，CT將患者對準設(shè)備ISO中心并移入CT龍門進行掃描。采集CT圖像后，在算法的輔助下，醫(yī)務(wù)人員將對其進行處理和分析，以進行篩查和診斷。
AI賦能的醫(yī)學影像處理
目標檢測和分割是肺炎檢測中的必要步驟。醫(yī)生需要對胸部醫(yī)學影像中的目標區(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）進行描繪，以支撐后續(xù)的定量評估。目前的技術(shù)主要是基于U－Net及其變體模型進行目標區(qū)域分割。下表展示了目前應用于COVID－19分割的深度學習方法：
針對肺部區(qū)域和肺部病變進行檢測和分割是研究的重點：一方面需要從醫(yī)學影像中分離出肺部區(qū)域，同時還需要從肺部區(qū)域中分離出病變區(qū)域。目前主要報道的文獻中使用了最為經(jīng)典的U－Net架構(gòu)以及更為復雜的U－Net＋＋模型，還有包含殘差結(jié)構(gòu)的V－Net和注意力機制來獲取更為精細的肺部結(jié)構(gòu)和病變區(qū)域。
但另一個問題是，訓練強大的分割網(wǎng)絡(luò)需要充足的標記數(shù)據(jù)，而在COVID－19中，通常還無法獲得充分的標記數(shù)據(jù)。為解決這一問題，研究人員將人類知識結(jié)合到了檢測流程中。有的學者將人類決策放入了訓練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識別感染區(qū)域。此外，還有人使用了包括注意力機制和弱監(jiān)督學習的方法來進行訓練。
精確的感染區(qū)域分割可以對感染程度進行量化，讓醫(yī)生能更全面地了解到有關(guān)患者病情嚴重程度的信息。同時，提取肺部感染區(qū)域的特征也可對患者的住院時間和診療方案進行一定的輔助預測。
AI輔助的診斷
在獲得了有效的醫(yī)學影像后，需要專家來對病人的病情進行診斷。但在流行病爆發(fā)的當下，醫(yī)療資源的嚴重匱乏使得準確高效的診斷變得困難。不僅由于診斷需要花費大量時間，還因為COVID－19與其他肺炎的相似表現(xiàn)需要醫(yī)生具有豐富的經(jīng)驗和診斷能力。而AI則可以輔助醫(yī)生對病人病情進行判斷，實現(xiàn)更高效、更準確的診斷。
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，同時還包括病情嚴重性評估的輔助手段。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、嚴重性評估等方面。
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)和訓練離不開數(shù)據(jù)的支撐，下面總結(jié)了幾個目前可以得到的數(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)量都還遠遠不能滿足AI算法的需求，但隨著人們對于疫情的認識和數(shù)據(jù)的匯總整理，相信更多的數(shù)據(jù)會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，也進一步顯示了人工智能對于各個行業(yè)的重要作用。相信擁有強有力的AI武器，我們將能更快的戰(zhàn)勝病魔，取得抗疫的最終勝利！
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
