前言

现代医学影像取得重大进步的一个原因，其实就是基于不同成像设备的巨大发展，比如CT断层成像、核磁共振扫描、三维超声等，都可以在没有创伤或微创的情况下，观察人体内部的细微组织结构，在疾病的早期检测、找到疾病的病因以及病灶位置方面带来了极大的增强，从而可以让医生尽早确定治疗方案。另外，在人体的不同部位，不同疾病的表现方式也都不太一样，检测方法也不一样，市场上的一些人工智能产品针对不同的成像仪器，涵盖了人体的多个部位，来对一些高发以及高危的疾病进行智能辅助诊断。现在大多着重的是比较高危害的疾病，包括各种恶性的癌症、心血管常见疾病以及脑血管疾病等。

现在世界卫生组织预测21世纪人类第一杀手，就是一些常见的恶性癌症。全球每年大概有700万人死于癌症，而在中国，恶性肿瘤发病率也非常高，每年发病率平均在160万左右，死亡数量也相当高，达到130万，恶性肿瘤在所有的死亡病例里面占了1/5左右，是现代危害非常严重的一种疾病。而肺癌更是恶性肿瘤里面发病率最高的恶性肿瘤之一，其五年生存率仅仅为15%左右。

从上图我们可以看到肺癌在男性发病率里面是最高的，女性群体中乳腺癌是最高的，而其次就是肺癌。因此肺癌在整个恶性肿瘤中是最严重的一种，但是实际上我们也不应该谈癌变色，而是要尽早地发现和治疗，这样才能提高治愈率。

一、低剂量胸部扫描是否能识别结节的良恶性

肺癌之所以可怕，是因为它的初期症状非常不明显，很容易被忽略掉，而到了晚期则会发生癌细胞转移，导致治疗非常困难。美国肿瘤协会一系列的研究表明，检测肺部结节是早期发现肺癌的一个非常有效的手段。由于肺部结节肿瘤的尺寸很小，在传统的X-ray胸部透视平片上是很难看到的，而通过低剂量CT进行早期筛查，能够极大地提高早期肺癌的诊断率。

我们知道，CT断层成像是分辨率非常高的三维成像，所以它的数据量也非常大。每个病人基本上都有几百张断片成像，这样就导致了医生诊断非常困难，花的时间也非常多。由于它诊断的困难性，所以有不少人在很早期时就提出来用计算机辅助诊断，利用计算机的大运算量来帮助医生进行诊断，一直到深度学习的出现，才使得这个想法变得可行，因为早期诊断算法的诊断效率以及准确率都比较低，不能达到实用的要求。随着深度学习的出现，在各种诊断率上面有了显著的提高，也使得计算机辅助诊断的想法成为了可能。

就肺癌诊断这个方向来说，其实绝大多数其他疾病的诊断跟肺癌诊断的应用场景是比较相似的。由于数据量非常庞大，由医生一张张来找是非常困难的一件事情。所以，我们可以通过算法来自动进行疾病的病灶检测和定位，在进行了病灶的定位以后，还可以做一些辅助性的定性分析，比如结节的良恶性判断等工作，由于有随访的要求，那么一个病人可能是在经过半年时间左右再回来复查的时候，我们需要了解结节的变化大小，所以这些数据由计算机来计算，就非常方便。深度学习由于它快速有效的运算以及非常高的精度，使得其在不少实际的识别问题中已经达到了接近人的视觉经验的水平，同时它是比较智能化的，可以通过大量数据的训练来增强它的准确性。

深度学习应用在医学中也可以去生成自动学习的特征来进行疾病的识别和判断，也可以自动生成结构化的诊断报告，辅助进行科学研究以及教学培训。

二、深度学习较之传统CAD技术的优势

那么传统的CAD技术为什么达不到这些效果呢？在传统的CAD技术里，主要是通过医学影像分析，由那些有很多经验的人来设计一些比较适合做不同类型疾病检测的特征值，比如纹理分析、边缘检测以及物体检测的各种不同的特征函数，比如SIFT或HoG等。

但是这些特征的训练完全是通过人来实现的，而人需要去看大量的病例，然后从数据中总结出经验，而且不可能用太多的特征来做这件事情，所以导致了疾病的诊断率一直上不来，同时在面对不同疾病的时候，又需要设计一套完全不同的特征向量，这也是传统CAD技术没办法很快地应用到医学的不同领域中去的原因。

随着深度学习技术的出现，它对我们最大的贡献是提供了一套可以从大量数据中自动学习最有效特征的算法。其实它也是在模拟人的视觉系统及识别系统中的一些实现方式，比如，以前人是通过看大量的图像来人为地选取特征，而现在变成利用梯度的反向传播原理来自动提取特征向量。

深度学习的另外一个好处，就是它在训练的过程中，一直专注于优化准确率，而且它可以通过看大量的训练数据来实现最优的准确率，如果让人类来做这个设计的话，几乎是不可能实现的。我们不可能去把所有的图都去算一遍，然后去调整阈值，调整各种权重之类的参数来达到最优，现在这些都是由具备超强运算能力的GPU来实现的。

上图显示深度学习训练出来的特征向量，我们可以看到，其实在前几层的时候，深度学习选出来的特征向量跟人选出来的特征值是非常接近的。比如各种不同角度的edge detection，以前人类来设计特征向量也有各种角度多个尺度的Gabor Filter Bank等这些设计，相比来说其实是非常类似的。但是人没办法进入更高层的抽象，所以导致识别的效率没有那么高，可以看到，在后面几层识别出来的这些特征，就比较接近每个元部件的组成。

可以看到，如果我们要识别不同物体的种类，比如树、猫、狗等，那么深度学习一开始在所有网络里面的权重都是随机选取的，这时它出来的结果很可能是完全没有道理的，比如给它一张猫的图片，它可能认为是乌龟，但是我们因为有这个类型的标识，所以我们可以知道这个做错了，这时它就可以把错误反向传播，同时希望使得给出的正确路径得到进一步的增强，而错误的路径则得到进一步的抑制，经过多次这样的循环以后，得到准确的特征向量。

整个学习的过程在早期是没办法实现的，电脑的计算能力虽然一直有非常快速的增长，也符合之前的摩尔定律，但即使如此，计算能力也一直没办法进行这么大规模的训练量，而随着NVIDIA GPU的出现，运算能力已经远远超过原来摩尔定律的设定，最主要原因当然是因为GPU可以进行大规模的并行计算，我们知道这些特征的计算都是基于一个小的区域来进行的，而在整张图像上的不同地方都是可以并行计算的。随着GPU的发展，不同深度学习网络的运算速度尤其是训练的速度已经显著增强，GPU比CPU的速度要快出好几百倍。

因为针对的是三维医学图像，所以算法使用的是三维卷积网络，在三维的情况下，计算量更大，因此GPU的效果在我们实际机器上做出来的benchmark中，GPU效率使CPU的500多倍，在做最终推理的时候，大概是2000多倍。

把DGX Workstation与之前用的P100 GPU比较，DGX的运算速度比P100要快一倍左右，在训练和推理过程中，基本上都是超过一倍的速度。

金准人工智能专家认为，无论是对于模型参数的调整还是试验不同的模型，训练速度是十分重要的，所以现在如果能加快训练模型的速度，对研发是非常有好处的。

三、深度学习在医学影像分析的应用场景

1.智能肺结节诊断分析系统

深度学习在医疗上已经取得了非常广泛的应用，比如各种Pathology的图像、脑影像的立体分割、基因序列预测、眼底视网膜成像，还有最新的Nature杂志上的皮肤癌诊断等。

智能肺结节诊断系统实现了多个功能，就像前面列的在医疗场景里的应用一样，智能肺结节诊断系统帮助医生实现好几个不同的功能，包括结节的检测、对结节进行分割，然后给一些定量定性的分析，也可以对结节的不同时期的随访病人跟踪其每个结节在时间上的变化，然后是结节的检索，可以看出过去类似结节的分析结果，以及对结节做出最终的良恶性判断，判断它是哪个类型的，是良性还是恶性，最后还可以自动生成报告，整个流程极大地加速了医生的诊断过程。

整个系统花一分钟左右的时间就能够完成所有肺结节的诊断，而对肺结节诊断的敏感性达到96.7%，良恶性判断的准确率为90%，相当于高年制副主任医师的水平。

智能肺结节诊断系统模型设计的框架，是基于多任务的深层神经网络模型来做的。为了做整个结节的检测，需要完成多个任务，包括肺部的分割、结节的检测、结节的分割，然后进行结节的随访和检索，以及结节的定量定性分析，比如判断结节的种类、良恶性。这些任务都有它们自己的训练数据，但是它们之间共享深度学习网络层的特征，只是在最后进行不同的任务而已。在训练的时候，根据不同的任务，它的训练标注模式也是不一样。

上图显示了几个我们检测到的结节，肺部的结节种类是非常多的，尤其是在中国，有不少毛玻璃类型的结节，他们之间的对比度非常弱，也非常小，我们可以看到它跟边上的血管、气管对比度要弱很多，但是由于我们是利用深度学习训练出来的模型进行识别，它是自动进行的，可以看到3D的图像，不光是在二维层面去看这个图像，同时可以制造上下层之间的关系，利用整个空间信息来最终实现结节的诊断。

目前智能肺结节诊断系统已经安装了超过一百家医院。在试用期间已经处理了超过90万的病例，帮助避免漏诊20000个左右的结节，之前在CCR做过的对“医生+AI”和“医生”的比较，结果发现“医生+AI”能够节省80%的读片时间，同时还能降低漏诊率，因为我们在看到结节非常微小的时候，是很容易漏诊的。在医生划过整个CT volume的时候，是非常容易漏诊掉的。

上图就是我们在试用的过程中找到的一些结节，其中有一些做了病理的检测。我们可以看到，对于这个病例的第一个结节，算法认为它是中等风险，最后病理检测出来确实是良性的，是不典型增生。

上图是另外一个病例，虽然这个结节的尺寸也非常小，还不到一厘米。但是它是磨玻璃的形状，智能肺结节诊断系统的算法分析出它的风险度比较高，最后实际的病理测试证明它确实是恶性的微浸润肺腺癌。

金准人工智能专家分析认为，从整个的使用情况来看，计算机辅助诊断确实能够很大地提高医生的诊断率，提高医生的效率，以及防止漏诊和误诊等。智能肺结节诊断系统的算法并不是要去替代医生，而是希望能更好地去辅助医生，提升医生的工作效率，能够集中精力去确定病人的治疗方案，而不是花在很多计算机轻易就能做得很好的一件事情上。

2.智能天眼CT、智能数字PET-CT

现在，在医院做CT扫描，从患者注册到检查结束,放射科技师需要经过十多个步骤,包括体位选择、完成患者摆位、确定扫描范围等一系列繁琐环节。

现在相较以往技师每次需要根据激光定位灯反复调整床位,操作简化。智能“天眼”摄像头,结合基于大数据与深度学习技术的智能算法,可针对不同性别、年龄、体位的患者,自动根据扫描协议精准匹配扫描部位。金准人工智能专家了解到，目前,这一应用可覆盖人体CT日常扫描范围的70%部位。

智能天眼CT还能系统智能判别,每次操作激发系统提前准备下一步操作。此外,基于智能剂量调制技术,智能天眼CT能够根据患者解剖信息优化扫描剂量分布,使得不同体型的患者扫描均可获得质量一致的图像结果。

PET-CT头部检查一向让医生“头疼”,因为微小幅度的摆动都会造成PET与CT图像配准误差,导致图像影,这对儿童或者帕金森患者而言尤为困难。

联影智能数字PET-CT具有超高分辨率与超高灵敏度,还拥有“头部运动补偿”与“"呼吸运动伪影消除”两项绝技一一通过头部运动补偿,在扫描过程中识别患者头部运动轨迹,实时监测头动、恢复矫正,始终确保PET与CT图像极高精度配准；呼吸运动伪影消除则无需外接硬件传感器,通过智能算法,消除呼吸对腹部器官成像的影响,精往还原清晰图像。

此外,它还拥有另一项杀手锏:智能肿瘤追踪,可对肿瘤进行一键智能自适应分割、全面统计分析结果,并对近期8次随访同步对比显示,直观分析病变全过程。

3. 联影uAI智能体检阅片

在中国,体检中心平均每天要拍摄上千例X线胸片,但平均仅有3%-5%存在问题,医生要耗费大量时间精力阅读无问题胸片。

联影uAI智能体检阅片基于20万病例数据进行深度学习,帮助医生进行胸片预读,对异常影像进行高敏感度精准、快速筛查。大幅减轻医生读片工作量。

现在,只需在X光设备上安装这款“智能体检读片”智能诊断应用,就能有效解决这一痛点。它如同一位医生的"AI助理”,可快速从海量影像中预筛出健康的X光胸片,只将有疑似疾病的提交医生阅读。不仅能将不同肺部疾病的片子分流整理,让医生知其然；还能将片子中的异常区域可视化,让医生知其所以然。为了保证这位“AI助理”筛选胸片的精准程度,使用了20万个X光胸片数据对其进行深度学习训练。

此外,它还能够对14种常见肺部疾病及多种病变的疑似病灶进行精准标注,目前它对肺结节、肺水肿、胸膜增厚等9项肺部疾病的诊断精准度达到世界第一。

临床上60%以上中度冠脉狭窄患者都没有接受手术或支架的必要，但这以往都要依靠昂贵且具创伤性的导管介入后才能确知。

4. 联影FFRCT血流分析、智能骨伤鉴定、智能关节分析

联影FFRCT血流分析是在CT图像数据基础上，无需导管就能智能计算模拟心脏冠脉血流状况，一键就能快速获得FFR(冠脉血流储备分值)、血压等参数。辅助医生判断患者心肌缺血程度,选择最佳治疗方式,避免不必要的手术创伤。

肋骨骨折临床常见多发,在胸部创伤中约占60%以上。CT扫描阅片耗时长久,骨折定位费时费力,无错位轻微骨折、隐匿性骨折很难发现,极易漏检。

联影智能骨伤鉴定能够全自动分割、展开、拉直肋骨,自动标记解剖标签,智能检测多种类型骨折迹象,多角度多层面清晰直观显示骨折,让医生快速、精准诊断,避免遗漏。

关节炎是世界头号致残性疾病,中国60岁以上老人有一半以上饱受骨性关节炎困扰。目前医生只自能通过主观观察软骨状况来进行诊断和软骨修复,关节损伤判断大多依靠主观经验。

联影智能关节分析应用能够全自动精准分割软骨,将关节不同部位标注不同颜色,医生可直观观测到每一部位的受损情况。并提供容积、厚度等量化参数,为医生在早期膝关节软骨损伤的诊断、治疗方案选择以及术后评估提供精准量化指导。

5.联影肺结节智能筛査、乳腺病变智能分析

肺癌发病率、死亡率高居恶性肿瘤之首。在中国,平均每天有2000多人罹患肺癌,1600多人因此死去,早期诊断、早期治疗能让患者五年生存率提高到80%以上。

金准人工智能专家调查发现，通过对上海长征医院、中山医院、瑞金医院、华东医院、肺科医院、肿瘤医院、上海市公共卫生中心7家医院多中心数据的采集与共享,联影建立了上海地区肺癌早期病例数据库,采集有21万例数据,阳性病例5000份。基于这些大数据训练,联影肺结节智能筛査应用能够智能精准定位3mm以上微小结节,对早期肺癌敏感度达95%。同时自动计算结节大小、密度等量化参数,3D渲染显示,并通过智能算法，为医生提供肿瘤恶性程度的定量参考,辅助医生精准高效诊断。

乳腺癌高居女性恶性肿瘤发病率之首,但风险评估缺乏客观量化手段,早期微小病灶极易漏检。联影乳腺病变智能分析能够精准分割乳房与腺体组织,准确度达98%以上。基于东方女性特点，精准量化乳腺密度,客观评估乳腺癌风险,精准检测、定位肿块与微小钙化簇,提升病灶检出率,同时自动生成结构化报告。

总结

金准人工智能专家认为，未来深度学习人工智能技术将更加深入到智能医学诊断过程中，帮助医生解决以下类似问题，如自动检测出肺结节、自动分割病灶、自动测量参数，自动分析结节良恶性、提取影像组学信息、并对肺结节做出随访，大幅度减少结节筛查时间，减少读片工作量，提高结节的检出率，并且提供结节的良恶性定量分析，提高筛查的效果。随着深度学习人工智能技术的不断发展，将在医疗健康行业造福人类。