AI賦能醫學影像：讓潛在疾病無處逃遁

李競萌

新冠疫情防控期間，病毒核酸測定會受到多種人為因素影響，也曾有病例被誤診出現假陰性或假陽性的結果。而CT影像識別采用大型、恒定的醫療設備，不會受到過多人為環節操作影響，相對穩定。國家衛健委在發布的《新型冠狀病毒肺炎診療方案》中明確提出核酸檢測結果應與CT影像臨床診斷結果相互輔助，作為新冠肺炎確診病例的判斷標準。

一位新冠肺炎病人的二維CT影像約300張，且早期CT影像特點為肺部多發小斑片狀磨玻璃影等細微變化，如果完全以醫生的肉眼分析，一個病例就需要耗時約5—15分鐘，大范圍病毒篩查，工作量之大更是不敢想象。借助AI深度學習功能加持，醫生可以將新冠肺炎的最新診療方案、權威團隊關于新冠肺炎患者臨床特征的研究成果、成千上萬個確診病例的CT影像樣本數據全部輸入智能數據庫，快速鑒別新冠肺炎影像與普通病毒性肺炎影像的區別，最終識別準確率在90%以上。

新冠肺炎病毒醫學影像篩查加入AI技術后，系統每處理識別一個病例的高清晰度CT數據平均只需不到20秒。如果增加服務器的數量，還可以繼續提升速度到幾秒以內，這為大批量病例數據快速篩查提供了可能性。一旦發現疑似病例，系統會自動對可疑區域進行重點識別，統計各個肺部解剖結構中肺炎區域所占的比例，為醫生進一步決策提供詳細的定量數據。更具參考價值的是，系統會自動調取并快速顯示該病例之前所拍攝的CT影像，將重點病灶區域的歷史情況進行動態解算和對比呈現，利用AI的大數據處理能力做到全病程自動關聯，為動態、精確、量化監控病情保駕護航。

隨著人工智能向深度學習領域深耕，醫療影像識別成為繼無人駕駛、人臉識別之后，又一個與AI能夠精準適配的應用新場景。因為醫療數據相對標準化且影像識別的底層邏輯較為明確，即能否看到結節、斑塊等待標記的病灶，這種情況非常適合人工智能去深度學習。

當然，如今的AI醫療影像技術還有很多認知盲區，只能作為輔助診療參考，并不能完全取代經驗豐富的醫生，還需要持續優化完善。

2020年起，中國科技館啟動了數字館藏項目，特別收藏了“達摩院AI抗疫”作品，即國內首張利用AI識別新冠肺炎的CT影像。這一行動向人們傳遞著這樣一個信號：隨著云計算、人工智能、區塊鏈等數字技術在我們的傳統生活場景中的深度融合，在不遠的未來可以看到更多病癥的醫學影像診斷都可以用AI賦能，甚至為人們提供一座智慧化醫院，進一步解決醫療資源分配不平衡、不充分的問題，成為更多家庭的健康護盾。

（作者系中國科技館科普影視中心講師）

標簽： 人工智能 系統會自動 中國科技館