連心醫(yī)療團隊基于百度飛槳平臺開發(fā)的“基于CT影像的肺炎篩查與病情預評估AI系統(tǒng)”正式上線，可快速檢測識別肺炎病灶，為病情診斷提供病灶的數量、體積、肺部占比等定量評估信息，并已經在湖南郴州湘南學院附屬醫(yī)院投入使用。

在此之前的一段時間里，AI抗疫就已經成為備受關注熱門話題，諸如AI紅外測溫、肺炎咨詢機器人、人工智能助力疫苗研發(fā)、算法預測新型冠狀病毒的全基因組等案例多次占據科技媒體頭條。

不過深入抗疫一線、與醫(yī)療人員并肩戰(zhàn)斗的CT影像智能識別又有所不同，從新冠肺炎“假陰性”的消息傳出，到百度飛槳助力連心醫(yī)療首次開源肺炎CT影像分析模型，從0到1乃至到N的一幕，再次演繹了互聯網的“戰(zhàn)疫”速度。

有感于科技企業(yè)擔當精神的同時，也產生了一些新的話題，比如人工智能企業(yè)為何可以快速給出解決方案，落地應用后解決了哪些棘手問題，以及人工智能的實戰(zhàn)結果給我們帶來了什么樣的啟示？

爭分奪秒的AI“軍團”

武漢大學中南醫(yī)院影像科副主任張笑春發(fā)了一條朋友圈：“別迷信核酸檢測了，強烈推薦CT影像作為目前 2019-nCoV 肺炎主要依據”，并稱這是“一個一線影像醫(yī)生的大聲疾呼！”

工信部發(fā)出了倡議：全國各地要充分發(fā)揮人工智能賦能效用，協力抗擊新冠肺炎疫情；2月5日，國家衛(wèi)健委發(fā)布了第五版《新型冠狀病毒感染的肺炎診療方案》，肺部CT影像被正式納入新冠肺炎診斷標準。

大大小小的人工智能企業(yè)，也開始了一場爭分奪秒的攻堅戰(zhàn)。

正如文初提到的一幕，連心醫(yī)療結合百度飛槳開源框架和視覺領域技術領先的PaddleSeg開發(fā)套件，研發(fā)了“基于CT影像的肺炎篩查與病情預評估AI系統(tǒng)”，并將對全國定點收治醫(yī)院免費開放，以提高國內基層醫(yī)院關于新型肺炎的病情診斷和救治能力。

阿里、華為、依圖科技、深睿醫(yī)療等也先后拿出了解決方案。

比如阿里達摩院醫(yī)療團隊與浙大一附院、萬里云、長遠佳和古珀醫(yī)院等多家機構合作拿到了5000多個CT影像樣本，結合新冠肺炎患者的臨床特征，推出了新冠肺炎臨床AI診斷技術（CT影像），并在河南“小湯山”醫(yī)院里落地應用。

華為云宣布與華中科技大學、藍網科技等通力協作，研發(fā)并推出新型冠狀病毒肺炎AI輔助醫(yī)學影像量化分析服務，通過計算機視覺與醫(yī)學影像分析技術，結合臨床信息和實驗室結果，輔助醫(yī)生更高效、精準地區(qū)分早期、進展期與重癥期患者。

依圖科技、深睿醫(yī)療、推想科技等創(chuàng)業(yè)公司向外界釋放了推出可用于智能評估新冠肺炎的AI影像產品的消息，將針對局部性病灶、彌漫性病變、全肺受累的各類肺炎疾病嚴重程度進行分級，繼而精確測算出疾病累計的肺炎負荷。

做一個總結的話，人工智能企業(yè)在對抗新冠肺炎“假陰性”困境中的快速應對和深度參與，離不開兩個關鍵因素：

其一，CT掃描一次可以得到數百張人體組織截面，而新型冠狀肺炎的在影像上主要表現為外帶分布、多葉段、磨玻璃間質性改變，醫(yī)生可以將標注好的肺部CT影像交由機器學習，主動尋找結果和圖像之間的關系。

其二，利用CT圖像數據進行AI診斷并非沒有先例，美國國立衛(wèi)生研究院在2018年就曾公開10600張CT掃描圖像，用于醫(yī)療人工智能算法的開發(fā)和測試。同時國內的百度、阿里、華為云等也在圖像識別領域有著成熟的神經網絡訓練算法。

誠然，人工智能在CT影像識別中的應用并非是“不可能完成”的任務，甚至說是當下醫(yī)療體系的一種潛在趨勢，但發(fā)揮出的價值卻不該被低估。

AI解決了哪些問題？

厘清了人工智能企業(yè)迅速備戰(zhàn)的原因，再來回答另一個問題：人工智能在這場攻堅戰(zhàn)中到底解決了哪些棘手問題？

首先是時間上的對比。

以CT影像的量化評估為例，現在大多數醫(yī)護人員采用的是手工勾畫ROI的方法，類似于PS中的手動描邊和摳圖，每個患者需要勾畫三四百張的CT影像，往往需要五六個小時的時間才能完成。而一位患者從入院觀察到治愈出院，一般需要拍攝四次左右的CT影像，相關醫(yī)生的工作量可想而知。

特別是在湖北等疫情高發(fā)的地區(qū)，耗時如此之長的CT影像量化工作，不僅讓一線的醫(yī)療人員置于高負荷的工作狀態(tài)中，也在一定程度上耽擱了診斷效率。

從幾家人工智能企業(yè)給出的結果來看，確診時間被壓縮到了幾秒到幾十秒之間。諸如依圖科技、華為云等公司專注于CT影像量化評估工作，阿里達摩院、連心醫(yī)療則給出了一整套的方案，包括CT影像的病灶檢測、病灶輪廓勾畫、雙肺密度分布直方圖及肺部病灶的數量、體積、肺部占比等全套定量指標的計算與展示。

其次是生產力的對比。

疫區(qū)的醫(yī)生或許可以憑借繁多的病例“熟能生巧”，花上5—10分鐘的時間就能從CT影像中確定患者的病情?？蓪τ诜且邊^(qū)的醫(yī)生而言，由于接診相關病歷的經驗少，在確診過程中經常會舉棋不定，直到核酸檢測顯示陽性后才敢確診，其中猶豫和等待的時間，可能已經造成交叉感染乃至是家庭聚集性發(fā)病。

同時高壓的工作狀態(tài)也在考驗醫(yī)生的心理素質，每一份簽名確診報告的背后，通常意味著幾十個緊密接觸者的隔離收治，既是一種責任，也是心理上猶豫。

至少人工智能在CT影像診斷中的應用，已經在某種程度上拉平了因為經驗不同導致的生產力差異，即便是沒有接觸過肺炎病例的醫(yī)生，也可以根據AI的診斷結果進行科學判定，然后以一種可觀的依據增強醫(yī)生們的診斷信心。

值得一提的是，連心醫(yī)療采用的深度學習算法模型充分訓練了所收集到的高分辨率和低分辨率的CT影像數據，可以適應不同等級CT影像設備采集的檢查數據，哪怕是醫(yī)療資源受限的基層醫(yī)院，也可以在肺炎輔助預診斷工具的幫助下進行確診，進一步提升了基層醫(yī)生的診斷和評估效率。

被驗證的“通用技術”

人工智能在CT影像輔助診斷中的價值已然被驗證，同時被驗證的還有人工智能作為“通用技術”的屬性。

按照百度CTO王海峰的觀點，“通用技術”指的是與機械技術、電氣技術和信息技術一樣，具備標準化、自動化和模塊化的特征，也是進入工業(yè)大生產階段的基本前提。至少AI在CT圖像智能診斷系統(tǒng)的應用中，不難找到“通用性”的一面。

一個直接的例子，當新型冠狀肺炎的疫情結束后，那些戰(zhàn)斗在一線的醫(yī)務工作者，勢必會重新審視AI這個“新戰(zhàn)友”，進而延伸出更加廣泛的應用，比如同樣的技術被應用于肝癌、肺癌等病情的早期篩查，畢竟這些病歷同樣需要在幾百張影像中找到病變的組織，并對它的良惡性做出準確的判斷。

只是這樣的話題似乎并不新鮮，早在2016年就有“人工智能+醫(yī)療影像”元年的說法，圖像識別在醫(yī)療中的應用漸漸興起，這次疫情中嶄露頭角的推想科技、連心醫(yī)療等均誕生于這一年。盡管在過去幾年中，這些企業(yè)很少被外界所關注，以至于在資本市場都有些寒冬的味道，但經此一“疫”后大概率會迎來新的風口。

何況人工智能行業(yè)的協作方式也在發(fā)生轉變，進一步為醫(yī)療垂直領域的布道者們提供了新的機會窗口。

以連心醫(yī)療為例，在創(chuàng)立之初主要提供腫瘤數據平臺搭建和醫(yī)療數據分析，涉及醫(yī)療影像處理、分割、配準等等。但在CT影像的攻堅戰(zhàn)中，連心醫(yī)療選擇在自身數據優(yōu)勢的基礎上，基于百度飛槳平臺快速開發(fā)上線了基于CT影像的肺炎篩查與病情預評估AI系統(tǒng)并對全國定點收治醫(yī)院免費開放，為抗擊疫情貢獻一己之力的同時，也給出了醫(yī)療服務升級的新思路：

以往醫(yī)療機構想要開發(fā)肺炎CT影像智能診斷類的應用，需要找到某家科技公司進行聯合開發(fā)，其中的門檻和成本不言而喻。如今卻可以在百度飛槳的EasyDL圖像分割模型中，直接選擇“肺炎CT影像識別專用算法”，只需要少量的數據訓練即可獲得基于實際場景進一步優(yōu)化的模型，以及可靈活支持多種部署形式、可即用的模型服務。

沿循這樣的邏輯，不排除誕生AI應用新范式的可能。百度飛槳就像是AI服務的“模型商店”，連心醫(yī)療這樣的開發(fā)者打造上線了各種各樣的“模型”，全球范圍內的醫(yī)療機構們可以在“商店”中找到自己需要的“模型”，簡單的適配就可以落地應用。

可以篤定的是，一旦這樣的邏輯被跑通后，注定不會局限在醫(yī)療領域，不斷向工業(yè)制造、市場營銷、農業(yè)生產等領域延伸，又一次印證了王海峰關于“深度學習推動AI進入工業(yè)大生產階段”的觀點。