自疫情爆發以來，多家科技公司紛紛加入了抗擊疫情的戰役中。

其中，排查疫情是這場戰役的重中之重，而CT影像已成為新冠肺炎篩查和病情診療的重要依據。

然而，在當前疫情診療的關鍵時期，存量患者和新增患者總體數量龐大，醫生需要對患者不同進展期的多次 CT 影像檢查進行隨訪對比，以對患者的病情發展和治療效果進行精準評估。

採用傳統目測檢視的醫學影像檢查手段，醫生不僅工作量巨大，也難以對患者病情做到精準評估和及時對比。

在全社會抗擊疫情醫療資源緊張、醫生超負荷工作的情況下，超量的 CT 影像檢查對一線抗疫工作形成了巨大的醫療資源需求挑戰。

實際上，用 AI 進行醫學影像分析，並輔助診斷，已經非常多的應用案例。就在昨日（2.28），百度聯手連心醫療，正式推出了“基於 CT 影像的肺炎篩查與病情預評估 AI 系統”，並且已經在湖南郴州湘南學院附屬醫院投入使用。

一、從分鐘到秒

據報導，一位新冠肺炎病人的CT影像大概在300張左右，這給醫生臨床診斷帶來巨大壓力，醫生對一個病例的CT影像肉眼分析耗時大約為5-15分鐘。

而首先落地在湘南學院附屬醫院的這套 AI 肺炎篩查和預評估系統，可在幾十秒內完成對患者 CT 影像的病灶檢測、病灶輪廓勾畫、雙肺密度分佈直方圖及肺部病灶的數量、體積、肺部佔比等全套定量指標的計算與展示。

其中，該系統在測試資料集上的病灶檢測精度和召回率分別達到92%和97%，做到在保證高病灶檢出精度的基礎上防止漏檢。

除了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、肺部佔比等定量評估資訊。該系統同時還輔以雙肺密度分佈的直方圖和病灶勾畫疊加顯示等視覺化手段，為臨床醫生篩查和預診斷患者肺炎病情提供定性和定量依據，提升醫生診斷和評估效率。

基於 CT 影像的肺炎篩查及病情預評估 AI 系統

此外，該系統採用的深度學習演算法模型充分訓練了所收集到的高解析度和低解析度的 CT 影像資料，能極好地適應不同等級 CT 影像裝置採集的檢查資料，有望為醫療資源受限和醫療水平有限的基層醫院提供有效的肺炎輔助預診斷工具。

二、用開源對抗封閉

很多公司也想打造自己的肺炎 CT 影響分析模型，然而從頭訓練的成本較高，不能夠及時發揮作用。

為此，百度和連心醫療採取了開放的態度，在業內首次開源上述系統中的肺炎 CT 影像分析 AI 模型—— Pneumonia-CT-LKM-PP。

不僅如此，其預訓練模型也已在百度 EasyDL 上開放，開發者可透過在EasyDL影像分割模型中，選擇“肺炎CT影像識別專用演算法”，少量資料訓練即可獲得基於實際場景進一步最佳化的模型。

對於想親自上手「肺炎 CT 影像分析模型（Pneumonia-CT-LKM-PP）」的開發者，百度也給出了詳細的教程。

1、定義待預測資料

如果沒有自己的資料，也可以用百度提供的 demo.dcm 醫學影像練手。

展示醫學影像

2、載入預訓練模型

百度的 PaddleHub 提供了病灶分析和肺部分割的 Module，即 Pneumonia_CT_LKM_PP，包含病灶分割和肺部分割 2 個模組，都是基於 UNet 進行一系列最佳化。

3、預測

PaddleHub 對於支援一鍵預測的 module，可以呼叫 module 的相應預測 API，完成預測功能。

4、後處理

透過一定的後處理，將肺部分割結果對映到原圖上，再將病灶分割和肺部分割融合到一張圖上視覺化。

融合肺部分割和病灶分割後的結果

程式碼傳送門：

隨著臨床診斷資料的積累，新冠肺炎的影像學大資料特徵逐漸清晰，相信 AI 在肺炎篩查領域發揮的作用會越來越大。

據百度介紹，該系統後續還將陸續於湖北、成都等地醫院部署，其線上版本也將對全國定點收治醫院免費開放，有利於醫療人員基於該系統開展遠端會診協作，提高基層醫院的病情診斷和救治能力，進而有望降低患者在轉診、巡診等過程中產生的交叉傳染風險。

也期待更多的醫院和演算法研究者參與到基於AI的醫學影像大資料抗疫產品研發中來，為抗疫臨床研究和臨床產品研發貢獻力量。

眾志成城，打贏疫情阻擊戰。