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鍵：包括X射線和CT在內的醫(yī)學影像技術在抗擊疫情的過程中起到了至關重要的作用，而AI則大幅度提升了醫(yī)學影像工具的能力和效率。
來自上海聯影、上海大學、劍橋大學等機構的研究人員對AI結合醫(yī)學影像領域在疫情中的應用進行了回顧和總結，從無接觸數據采集、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)學影像的檢測至關重要
目前全球報告的COVID－19感染者已經超過150萬人，而有效的大規(guī)模檢測是防控疫情的關鍵所在。目前廣泛使用的是逆轉錄聚合酶鏈反應（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)務人員在臨床試驗中利用的包括X和CT的醫(yī)療影像設備為肺炎的診斷提供了有效幫助。中國的經驗表明，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)學影像領域的新興技術，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據集。（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)務人員的幫助下調整和定位身體，協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備基礎。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。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——例如從圖像中檢測患者身體關鍵點，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。除了通過關鍵點和人體三維模型定義掃描參數外，AI還可以對齊患者與掃描中心、減小放射劑量、提高成像質量。此外，它還能使用基于參數化人體模型的方法來有效解決遮擋和關鍵點精度，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)測和聲音指導下調整姿勢。同時，基于3D位姿估算和AI得到的網格模型，也可以估計患者身體部位、掃描范圍和中心線，從而轉換為控制信號的掃描參數。當然必要的時候，技術人員還可以對參數進行調整。在參數得到驗證后，CT將患者對準設備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典的U－Net架構以及更為復雜的U－Net＋＋模型，還有包含殘差結構的V－Net和注意力機制來獲取更為精細的肺部結構和病變區(qū)域。
但另一個問題是，訓練強大的分割網絡需要充足的標記數據，而在COVID－19中，通常還無法獲得充分的標記數據。為解決這一問題，研究人員將人類知識結合到了檢測流程中。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需要醫(yī)生具有豐富的經驗和診斷能力。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系等方面，AI技術也為后續(xù)的治療以及疾病規(guī)律的研究提供了寶貴數據。
COVID－19的相關數據集
算法的開發(fā)和訓練離不開數據的支撐，下面總結了幾個目前可以得到的數據：
－ 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射線數據集；－ 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在網站上分享確診病例的相關數據；
－ 網站提供了COVID－19 CT分割數據集，包含60位患者的100個軸切面數據。
雖然這些數據的數量和質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據的匯總整理，相信更多的數據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：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網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。本網站對有關資料所引致的錯誤、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站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
