新冠肺炎影像學(xué)AI智能輔助診斷研究
“現(xiàn)階段醫(yī)生需要在大量影像數(shù)據(jù)中快速診斷出新冠肺炎的病例,此外還需要診斷出病灶分布的位置、大小等來評估嚴(yán)重程度?!毖ο蜿柦榻B,針對臨床的現(xiàn)實需求,團(tuán)隊將設(shè)計目標(biāo)定位于“肺炎分類鑒別”和“關(guān)鍵病灶檢測”兩大功能,前者是為區(qū)別健康狀態(tài)、新冠肺炎、其他病毒性肺炎、細(xì)菌性肺炎,后者則為找到并分隔出磨玻璃影等病灶區(qū)域。針對這些需求,團(tuán)隊設(shè)計診斷算法模型,讓機(jī)器利用模型進(jìn)行訓(xùn)練,學(xué)習(xí)不同類型肺炎在CT影像表現(xiàn)上的不同特征,最終具備智能輔助診斷的能力。而這需要突破小樣本學(xué)習(xí)、小目標(biāo)檢測等多個技術(shù)難題。“小樣本學(xué)習(xí)”即在較少訓(xùn)練數(shù)據(jù)樣本的條件下進(jìn)行機(jī)器學(xué)習(xí)。在疫情發(fā)生前期,能夠獲取的新冠肺炎影像數(shù)據(jù)相對較少,且由于一線影像醫(yī)生任務(wù)繁重,無法獲得大量專家標(biāo)注,因此需要算法在少量樣本的條件下“自學(xué)成才”。為此,團(tuán)隊采用基于自遷移學(xué)習(xí)的半監(jiān)督學(xué)習(xí)等技巧,使算法具備一定的“小樣本學(xué)習(xí)”能力,在不增加醫(yī)生標(biāo)注工作量的情況下較好地提高了算法模型的普適性。由于CT影像切片中的病灶區(qū)域有大有小,且往往大中小病灶區(qū)域面積懸殊,如何使算法能同時檢測大、中、小各個目標(biāo)是另一大難題。團(tuán)隊利用神經(jīng)網(wǎng)絡(luò)的層次性特點與病灶區(qū)域的大小進(jìn)行對應(yīng),“網(wǎng)絡(luò)的底層關(guān)注細(xì)節(jié),即小病灶區(qū)域,而網(wǎng)絡(luò)中層到高層所關(guān)注的病灶區(qū)域則越來越大,因此模型通過不同層次的加權(quán)和融合,最終便能達(dá)到同時檢測大小病灶區(qū)域的目標(biāo)?!毖ο蜿柦忉尩?。“不過,即便有診斷‘神器’,影像科醫(yī)生也是不可替代的?!毖ο蜿栒f,人是復(fù)雜的機(jī)體,病毒在不同人體內(nèi)感染的反映也不一定相同。”他表示,當(dāng)遇到機(jī)器未曾學(xué)習(xí)過的微小病變或疑難病例時,仍需要影像醫(yī)生的經(jīng)驗和智慧。以解決實際問題為目標(biāo),該項目在研究過程中始終與臨床應(yīng)用緊密結(jié)合。無論是機(jī)器學(xué)習(xí)數(shù)據(jù),還是測試評估數(shù)據(jù),都來源于臨床真實病例。在算法模型定型過程中,為了檢驗?zāi)P偷臏?zhǔn)確率和泛化性,團(tuán)隊也利用現(xiàn)實疑似病例進(jìn)行了測試。
復(fù)旦大學(xué)
2021-04-10