AI研习丨专题新冠肺炎CT影像智能诊断系 [复制链接]

摘要

截至年6月12日，新冠肺炎感染已遍及多个国家和地区，成为了全球性的大流行病。面向斩断新冠传播链的早筛过程和提高治疗水平的病变评估需求，人工智能的计算机辅助诊断系统可进行快速、智能、全天候地进行筛查和病变评估，对于缓解疫区放射科医生工作压力，提高诊断效率和水平具有重要意义。然而，新冠肺炎复杂和多样的CT影像学表现给辅助诊断系统的开发带来了巨大挑战。本文介绍了智能化新冠肺炎早筛和病变评估的难点和相关关键技术，以及开发的新冠肺炎早筛和病变评估平台。

关键字

新型冠状病毒；肺炎；CT影像；神经网络；诊断系统

0引言

COVID-19（CoronavirusDisease,COVID-19）已经成为自第二次世界大战以来，全世界面临的最大的公共健康危机。截至年6月10日，全球新型冠状病毒肺炎的总确诊人数已突破万，总死亡人数高达42万，且确诊病例数和死亡病例数仍在快速增长。为了应对COVID-19，多国采取了包括居家令，以及停止生产和娱乐活动的措施，严重影响了世界各国经济发展，给世界经济造成了重大冲击。

COVID-19具有多个特点使其难以控制：①COVID-19是高度传染性的，可以通过直接传播、气溶胶传播和接触传播。一个新冠病人的传播力在3~4之间，面对着新冠病人的快速增长，任何国家的医疗系统都将会承受巨大的压力。②医生几乎不可能仅通过临床特征（例如发烧、干咳和呼吸困难）将感染COVID-19的患者与由流感病毒、支原体、衣原体、呼吸道合胞病毒，以及细菌引起的间质性肺炎相区别；并且存在很多的无症状感染者。③如果发生细胞因子风暴，病情将快速恶化。现有的人工病变评估方式效率较低，使得COVID-19病人难以得到及时治疗。

因此，我们提供：①如何智能化地快速筛查新冠肺炎疑似病人以尽早隔离，打断新冠肺炎传播链。这对算法的效率、敏感性和特异性提出了很高的要求。②怎样及时评估感染病人的病变程度，帮助医生快速判断病人的病变程度，这将能帮助病人获得更好的治疗，降低病人的致死率。

事实上，核酸检测是目前公认的鉴别COVID-19的金标准。但是，核酸检测却有着检测耗时和假阴性高的缺点。与之相比，CT(ComputedTomography)影像则是一个受欢迎的利用其详细的影像学特征，评估肺部疾病的模态，且COVID-19病人在肺部的CT影像上有着相应的放射学表现。所以利用CT可快速获取的特点，进行COVID-19的早筛和病变评估，对于切断病毒传播链，降低病人的致死率有着重要的意义。

然而，开发新冠肺炎早筛和病变评估平台的过程中，如何解决好数据获取难、又快又准的新冠肺炎早筛和病变评估设计难，以及系统平台开发部署难的难点，成为了亟待解决的关键问题。下文介绍我们团队针对上述难点的解决方案，并对所开发的系统进行介绍。

1难点与挑战

新冠肺炎疫情急迫，促使我们尽快实现一套准确且高效的医院中。这项任务对我们整个团队提出了诸多挑战，难点主要集中在三个环节上。

1.1数据收集难

在数据收集环节中，收集了新冠肺炎、其他肺炎和正常胸部CT图片，并对图片进行标注和处理（如图1所示）。同时，由于新冠肺炎自身特性，收集到的数据中，普通型、严重型COVID-19样本分布并不均匀，这对我们算法的鲁棒性和类别间平衡性提出了很高要求。在数据标注过程中，我们面临了标注任务重、时间要求紧等问题。每个病人的CT图像都包含数百张切片，为了实现病灶分割和疾病分类，必须勾画出每张切片的病灶区域，并赋予病人相应的分类标签——新冠肺炎（包含严重型COVID-19和普通型COVID-19）、正常及其他肺炎，工作量庞大。我们需要培训一组能使用专业医学标注软件的队员，每当获得一批新的原始CT图像数据时，标注小组成员将同步进行标注。另一方面，CT图像还存在病灶区域与正常组织边界不明显、病灶类型难以判断等问题，容易导致标注质量不一致，需要对标注结果进行多次审核修正，对标注质量差的样本重新标注，减少输入数据中的噪声，确保输入数据的质量。在数据处理过程中，由于设备差异，获取的CT图像格式可能不同，需要我们在数据读取和展示过程中做好对不同图像格式的兼容。更为关键的是，由于CT图像包含复杂的信息，在模型运行时，数据中包含过多的信息量可能会超过GPU显存的容纳能力，因此需要对每个病人的CT图像数据预先进行肺部分割（可以观察到病灶区域复杂且不明显、新冠肺炎与其他肺炎难以区分等特点，这为数据标注、算法设计带来了很大的挑战），提取关键的肺部信息，去除肺部外的冗余信息，降低模型学习的复杂度，最后仅保留包含肺部信息的CT切片。经过处理与去冗余信息后的CT图像数据才可以作为合格的输入数据，保证了算法的可行性和兼容性。

图1正常、新冠肺炎与普通肺炎患者胸部CT切片示例

1.2算法设计难

在人工智能算法模型开发环节，需要充分考虑数据与标注的特点，保证算法的准确性和高效性。在新冠肺炎分型任务中，针对数据的噪声和不一致性等难点，着重考虑加强模型的鲁棒性，力求模型在关键分型任务上取得高准确率。对于数据本身类别不均衡、样本量小的问题，我们设计了交叉验证流程，保证模型具有良好的泛化能力。在病灶分割任务中，由于病灶通常只占据肺部信息的较少部分，其信息容易被模型所忽视，为模型加入了注意力机制（AttentionMechanism），来强化模型对于稀疏的病灶特征消息的利用，提高了分割算法的精细程度。在模型的优化方面，主要