前言
現代醫學影像取得重大進步的一個原因， 其實就是基於不同成像設備的巨大發展， 比如CT斷層成像、核磁共振掃描、三維超聲等， 都可以在沒有創傷或微創的情況下， 觀察人體內部的細微組織結構， 在疾病的早期檢測、找到疾病的病因以及病灶位置方面帶來了極大的增強， 從而可以讓醫生儘早確定治療方案。 另外， 在人體的不同部位， 不同疾病的表現方式也都不太一樣， 檢測方法也不一樣， 市場上的一些人工智慧產品針對不同的成像儀器， 涵蓋了人體的多個部位， 來對一些高發以及高危的疾病進行智慧輔助診斷。
現在世界衛生組織預測21世紀人類第一殺手， 就是一些常見的惡性癌症。 全球每年大概有700萬人死於癌症， 而在中國， 惡性腫瘤發病率也非常高， 每年發病率平均在160萬左右， 死亡數量也相當高， 達到130萬， 惡性腫瘤在所有的死亡病例裡面占了1/5左右， 是現代危害非常嚴重的一種疾病。 而肺癌更是惡性腫瘤裡面發病率最高的惡性腫瘤之一， 其五年生存率僅僅為15%左右。
從上圖我們可以看到肺癌在男性發病率裡面是最高的， 女性群體中乳腺癌是最高的， 而其次就是肺癌。 因此肺癌在整個惡性腫瘤中是最嚴重的一種， 但是實際上我們也不應該談癌變色， 而是要儘早地發現和治療， 這樣才能提高治癒率。
一、低劑量胸部掃描是否能識別結節的良惡性
肺癌之所以可怕， 是因為它的初期症狀非常不明顯， 很容易被忽略掉， 而到了晚期則會發生癌細胞轉移， 導致治療非常困難。 美國腫瘤協會一系列的研究表明， 檢測肺部結節是早期發現肺癌的一個非常有效的手段。 由於肺部結節腫瘤的尺寸很小， 在傳統的X-ray胸部透視平片上是很難看到的， 而通過低劑量CT進行早期篩查， 能夠極大地提高早期肺癌的診斷率。
我們知道， CT斷層成像是解析度非常高的三維成像， 所以它的資料量也非常大。 每個病人基本上都有幾百張斷片成像， 這樣就導致了醫生診斷非常困難， 花的時間也非常多。 由於它診斷的困難性， 所以有不少人在很早期時就提出來用電腦輔助診斷，
就肺癌診斷這個方向來說，其實絕大多數其他疾病的診斷跟肺癌診斷的應用場景是比較相似的。由於資料量非常龐大，由醫生一張張來找是非常困難的一件事情。所以，我們可以通過演算法來自動進行疾病的病灶檢測和定位，在進行了病灶的定位以後，還可以做一些輔助性的定性分析，比如結節的良惡性判斷等工作，由於有隨訪的要求，那麼一個病人可能是在經過半年時間左右再回來複查的時候，我們需要瞭解結節的變化大小，所以這些資料由電腦來計算，就非常方便。深度學習由於它快速有效的運算以及非常高的精度，使得其在不少實際的識別問題中已經達到了接近人的視覺經驗的水準，同時它是比較智慧化的，可以通過大量資料的訓練來增強它的準確性。
深度學習應用在醫學中也可以去生成自動學習的特徵來進行疾病的識別和判斷，也可以自動生成結構化的診斷報告，輔助進行科學研究以及教學培訓。
二、深度學習較之傳統CAD技術的優勢
那麼傳統的CAD技術為什麼達不到這些效果呢？在傳統的CAD技術裡，主要是通過醫學影像分析，由那些有很多經驗的人來設計一些比較適合做不同類型疾病檢測的特徵值，比如紋理分析、邊緣檢測以及物體檢測的各種不同的特徵函數，比如SIFT或HoG等。
但是這些特徵的訓練完全是通過人來實現的，而人需要去看大量的病例，然後從資料中總結出經驗，而且不可能用太多的特徵來做這件事情，所以導致了疾病的診斷率一直上不來，同時在面對不同疾病的時候，又需要設計一套完全不同的特徵向量，這也是傳統CAD技術沒辦法很快地應用到醫學的不同領域中去的原因。
隨著深度學習技術的出現，它對我們最大的貢獻是提供了一套可以從大量資料中自動學習最有效特徵的演算法。其實它也是在類比人的視覺系統及識別系統中的一些實現方式，比如，以前人是通過看大量的圖像來人為地選取特徵，而現在變成利用梯度的反向傳播原理來自動提取特徵向量。
深度學習的另外一個好處，就是它在訓練的過程中，一直專注於優化準確率，而且它可以通過看大量的訓練資料來實現最優的準確率，如果讓人類來做這個設計的話，幾乎是不可能實現的。我們不可能去把所有的圖都去算一遍，然後去調整閾值，調整各種權重之類的參數來達到最優，現在這些都是由具備超強運算能力的GPU來實現的。
上圖顯示深度學習訓練出來的特徵向量，我們可以看到，其實在前幾層的時候，深度學習選出來的特徵向量跟人選出來的特徵值是非常接近的。比如各種不同角度的edge detection，以前人類來設計特徵向量也有各種角度多個尺度的Gabor Filter Bank等這些設計，相比來說其實是非常類似的。但是人沒辦法進入更高層的抽象，所以導致識別的效率沒有那麼高，可以看到，在後面幾層識別出來的這些特徵，就比較接近每個元部件的組成。
可以看到，如果我們要識別不同物體的種類，比如樹、貓、狗等，那麼深度學習一開始在所有網路裡面的權重都是隨機選取的，這時它出來的結果很可能是完全沒有道理的，比如給它一張貓的圖片，它可能認為是烏龜，但是我們因為有這個類型的標識，所以我們可以知道這個做錯了，這時它就可以把錯誤反向傳播，同時希望使得給出的正確路徑得到進一步的增強，而錯誤的路徑則得到進一步的抑制，經過多次這樣的迴圈以後，得到準確的特徵向量。
整個學習的過程在早期是沒辦法實現的，電腦的計算能力雖然一直有非常快速的增長，也符合之前的摩爾定律，但即使如此，計算能力也一直沒辦法進行這麼大規模的訓練量，而隨著NVIDIA GPU的出現，運算能力已經遠遠超過原來摩爾定律的設定，最主要原因當然是因為GPU可以進行大規模的平行計算，我們知道這些特徵的計算都是基於一個小的區域來進行的，而在整張圖像上的不同地方都是可以平行計算的。隨著GPU的發展，不同深度學習網路的運算速度尤其是訓練的速度已經顯著增強，GPU比CPU的速度要快出好幾百倍。
因為針對的是三維醫學圖像，所以演算法使用的是三維卷積網路，在三維的情況下，計算量更大，因此GPU的效果在我們實際機器上做出來的benchmark中，GPU效率使CPU的500多倍，在做最終推理的時候，大概是2000多倍。
把DGX Workstation與之前用的P100 GPU比較，DGX的運算速度比P100要快一倍左右，在訓練和推理過程中，基本上都是超過一倍的速度。
金准人工智慧專家認為，無論是對於模型參數的調整還是試驗不同的模型，訓練速度是十分重要的，所以現在如果能加快訓練模型的速度，對研發是非常有好處的。
三、深度學習在醫學影像分析的應用場景
1.智慧肺結節診斷分析系統
深度學習在醫療上已經取得了非常廣泛的應用，比如各種Pathology的圖像、腦影像的立體分割、基因序列預測、眼底視網膜成像，還有最新的Nature雜誌上的皮膚癌診斷等。
智慧肺結節診斷系統實現了多個功能，就像前面列的在醫療場景裡的應用一樣，智慧肺結節診斷系統説明醫生實現好幾個不同的功能，包括結節的檢測、對結節進行分割，然後給一些定量定性的分析，也可以對結節的不同時期的隨訪病人跟蹤其每個結節在時間上的變化，然後是結節的檢索，可以看出過去類似結節的分析結果，以及對結節做出最終的良惡性判斷，判斷它是哪個類型的，是良性還是惡性，最後還可以自動生成報告，整個流程極大地加速了醫生的診斷過程。
整個系統花一分鐘左右的時間就能夠完成所有肺結節的診斷，而對肺結節診斷的敏感性達到96.7%，良惡性判斷的準確率為90%，相當於高年制副主任醫師的水準。
智慧肺結節診斷系統模型設計的框架，是基於多工的深層神經網路模型來做的。為了做整個結節的檢測，需要完成多個任務，包括肺部的分割、結節的檢測、結節的分割，然後進行結節的隨訪和檢索，以及結節的定量定性分析，比如判斷結節的種類、良惡性。這些任務都有它們自己的訓練資料，但是它們之間共用深度學習網路層的特徵，只是在最後進行不同的任務而已。在訓練的時候，根據不同的任務，它的訓練標注模式也是不一樣。
上圖顯示了幾個我們檢測到的結節，肺部的結節種類是非常多的，尤其是在中國，有不少毛玻璃類型的結節，他們之間的對比度非常弱，也非常小，我們可以看到它跟邊上的血管、氣管對比度要弱很多，但是由於我們是利用深度學習訓練出來的模型進行識別，它是自動進行的，可以看到3D的圖像，不光是在二維層面去看這個圖像，同時可以製造上下層之間的關係，利用整個空間資訊來最終實現結節的診斷。
目前智慧肺結節診斷系統已經安裝了超過一百家醫院。在試用期間已經處理了超過90萬的病例，幫助避免漏診20000個左右的結節，之前在CCR做過的對“醫生+AI”和“醫生”的比較，結果發現“醫生+AI”能夠節省80%的讀片時間，同時還能降低漏診率，因為我們在看到結節非常微小的時候，是很容易漏診的。在醫生劃過整個CT volume的時候，是非常容易漏診掉的。
上圖就是我們在試用的過程中找到的一些結節，其中有一些做了病理的檢測。我們可以看到，對於這個病例的第一個結節，演算法認為它是中等風險，最後病理檢測出來確實是良性的，是不典型增生。
上圖是另外一個病例，雖然這個結節的尺寸也非常小，還不到一釐米。但是它是磨玻璃的形狀，智慧肺結節診斷系統的演算法分析出它的風險度比較高，最後實際的病理測試證明它確實是惡性的微浸潤肺腺癌。
金准人工智慧專家分析認為，從整個的使用情況來看，電腦輔助診斷確實能夠很大地提高醫生的診斷率，提高醫生的效率，以及防止漏診和誤診等。智慧肺結節診斷系統的演算法並不是要去替代醫生，而是希望能更好地去輔助醫生，提升醫生的工作效率，能夠集中精力去確定病人的治療方案，而不是花在很多電腦輕易就能做得很好的一件事情上。
2.智慧天眼CT、智慧數字PET-CT
現在，在醫院做CT掃描，從患者註冊到檢查結束,放射科技師需要經過十多個步驟,包括體位元選擇、完成患者擺位元、確定掃描範圍等一系列繁瑣環節。
現在相較以往技師每次需要根據鐳射定位燈反復調整床位,操作簡化。智慧“天眼”攝像頭,結合基於大資料與深度學習技術的智慧演算法,可針對不同性別、年齡、體位元的患者,自動根據掃描協定精准匹配掃描部位。金准人工智慧專家瞭解到，目前,這一應用可覆蓋人體CT日常掃描範圍的70%部位。
智慧天眼CT還能系統智慧判別,每次操作激發系統提前準備下一步操作。此外,基於智慧劑量調製技術,智慧天眼CT能夠根據患者解剖資訊優化掃描劑量分佈,使得不同體型的患者掃描均可獲得品質一致的圖像結果。
PET-CT頭部檢查一向讓醫生“頭疼”,因為微小幅度的擺動都會造成PET與CT圖像配准誤差,導致圖像影,這對兒童或者帕金森患者而言尤為困難。
聯影智慧數位PET-CT具有超高解析度與超高靈敏度,還擁有“頭部運動補償”與“"呼吸運動偽影消除”兩項絕技一一通過頭部運動補償,在掃描過程中識別患者頭部運動軌跡,即時監測頭動、恢復矯正,始終確保PET與CT圖像極高精度配准；呼吸運動偽影消除則無需外接硬體感測器,通過智慧演算法,消除呼吸對腹部器官成像的影響,精往還原清晰圖像。
此外,它還擁有另一項殺手鐧:智慧腫瘤追蹤,可對腫瘤進行一鍵智慧自我調整分割、全面統計分析結果,並對近期8次隨訪同步對比顯示,直觀分析病變全過程。
3. 聯影uAI智慧體檢閱片
在中國,體檢中心平均每天要拍攝上千例X線胸片,但平均僅有3%-5%存在問題,醫生要耗費大量時間精力閱讀無問題胸片。
聯影uAI智慧體檢閱片基於20萬病例資料進行深度學習,説明醫生進行胸片預讀,對異常影像進行高敏感度精准、快速篩查。大幅減輕醫生讀片工作量。
現在,只需在X光設備上安裝這款“智慧體檢讀片”智慧診斷應用,就能有效解決這一痛點。它如同一位醫生的"AI助理”,可快速從海量影像中預篩出健康的X光胸片,只將有疑似疾病的提交醫生閱讀。不僅能將不同肺部疾病的片子分流整理,讓醫生知其然；還能將片子中的異常區域視覺化,讓醫生知其所以然。為了保證這位“AI助理”篩選胸片的精准程度,使用了20萬個X光胸片資料對其進行深度學習訓練。
此外,它還能夠對14種常見肺部疾病及多種病變的疑似病灶進行精准標注,目前它對肺結節、肺水腫、胸膜增厚等9項肺部疾病的診斷精准度達到世界第一。
臨床上60%以上中度冠脈狹窄患者都沒有接受手術或支架的必要，但這以往都要依靠昂貴且具創傷性的導管介入後才能確知。
4. 聯影FFRCT血流分析、智慧骨傷鑒定、智慧關節分析
聯影FFRCT血流分析是在CT圖像資料基礎上，無需導管就能智慧計算模擬心臟冠脈血流狀況，一鍵就能快速獲得FFR(冠脈血流儲備分值)、血壓等參數。輔助醫生判斷患者心肌缺血程度,選擇最佳治療方式,避免不必要的手術創傷。
肋骨骨折臨床常見多發,在胸部創傷中約占60%以上。CT掃描閱片耗時長久,骨折定位費時費力,無錯位輕微骨折、隱匿性骨折很難發現,極易漏檢。
聯影智慧骨傷鑒定能夠全自動分割、展開、拉直肋骨,自動標記解剖標籤,智慧檢測多種類型骨折跡象,多角度多層面清晰直觀顯示骨折,讓醫生快速、精准診斷,避免遺漏。
關節炎是世界頭號致殘性疾病,中國60歲以上老人有一半以上飽受骨性關節炎困擾。目前醫生只自能通過主觀觀察軟骨狀況來進行診斷和軟骨修復,關節損傷判斷大多依靠主觀經驗。
聯影智慧關節分析應用能夠全自動精准分割軟骨,將關節不同部位標注不同顏色,醫生可直觀觀測到每一部位的受損情況。並提供容積、厚度等量化參數,為醫生在早期膝關節軟骨損傷的診斷、治療方案選擇以及術後評估提供精准量化指導。
5.聯影肺結節智慧篩査、乳腺病變智慧分析
肺癌發病率、死亡率高居惡性腫瘤之首。在中國,平均每天有2000多人罹患肺癌,1600多人因此死去,早期診斷、早期治療能讓患者五年生存率提高到80%以上。
金准人工智慧專家調查發現，通過對上海長征醫院、中山醫院、瑞金醫院、華東醫院、肺科醫院、腫瘤醫院、上海市公共衛生中心7家醫院多中心資料的採集與共用,聯影建立了上海地區肺癌早期病例資料庫,採集有21萬例資料,陽性病例5000份。基於這些大資料訓練,聯影肺結節智慧篩査應用能夠智慧精准定位3mm以上微小結節,對早期肺癌敏感度達95%。同時自動計算結節大小、密度等量化參數,3D渲染顯示,並通過智慧演算法，為醫生提供腫瘤惡性程度的定量參考,輔助醫生精准高效診斷。
乳腺癌高居女性惡性腫瘤發病率之首,但風險評估缺乏客觀量化手段,早期微小病灶極易漏檢。聯影乳腺病變智慧分析能夠精准分割乳房與腺體組織,準確度達98%以上。基於東方女性特點，精准量化乳腺密度,客觀評估乳腺癌風險,精准檢測、定位腫塊與微小鈣化簇,提升病灶檢出率,同時自動生成結構化報告。
總結
金准人工智慧專家認為，未來深度學習人工智慧技術將更加深入到智慧醫學診斷過程中，幫助醫生解決以下類似問題，如自動檢測出肺結節、自動分割病灶、自動測量參數，自動分析結節良惡性、提取影像組學資訊、並對肺結節做出隨訪，大幅度減少結節篩查時間，減少讀片工作量，提高結節的檢出率，並且提供結節的良惡性定量分析，提高篩查的效果。隨著深度學習人工智慧技術的不斷發展，將在醫療健康行業造福人類。
就肺癌診斷這個方向來說，其實絕大多數其他疾病的診斷跟肺癌診斷的應用場景是比較相似的。由於資料量非常龐大，由醫生一張張來找是非常困難的一件事情。所以，我們可以通過演算法來自動進行疾病的病灶檢測和定位，在進行了病灶的定位以後，還可以做一些輔助性的定性分析，比如結節的良惡性判斷等工作，由於有隨訪的要求，那麼一個病人可能是在經過半年時間左右再回來複查的時候，我們需要瞭解結節的變化大小，所以這些資料由電腦來計算，就非常方便。深度學習由於它快速有效的運算以及非常高的精度，使得其在不少實際的識別問題中已經達到了接近人的視覺經驗的水準，同時它是比較智慧化的，可以通過大量資料的訓練來增強它的準確性。
深度學習應用在醫學中也可以去生成自動學習的特徵來進行疾病的識別和判斷，也可以自動生成結構化的診斷報告，輔助進行科學研究以及教學培訓。
二、深度學習較之傳統CAD技術的優勢
那麼傳統的CAD技術為什麼達不到這些效果呢？在傳統的CAD技術裡，主要是通過醫學影像分析，由那些有很多經驗的人來設計一些比較適合做不同類型疾病檢測的特徵值，比如紋理分析、邊緣檢測以及物體檢測的各種不同的特徵函數，比如SIFT或HoG等。
但是這些特徵的訓練完全是通過人來實現的，而人需要去看大量的病例，然後從資料中總結出經驗，而且不可能用太多的特徵來做這件事情，所以導致了疾病的診斷率一直上不來，同時在面對不同疾病的時候，又需要設計一套完全不同的特徵向量，這也是傳統CAD技術沒辦法很快地應用到醫學的不同領域中去的原因。
隨著深度學習技術的出現，它對我們最大的貢獻是提供了一套可以從大量資料中自動學習最有效特徵的演算法。其實它也是在類比人的視覺系統及識別系統中的一些實現方式，比如，以前人是通過看大量的圖像來人為地選取特徵，而現在變成利用梯度的反向傳播原理來自動提取特徵向量。
深度學習的另外一個好處，就是它在訓練的過程中，一直專注於優化準確率，而且它可以通過看大量的訓練資料來實現最優的準確率，如果讓人類來做這個設計的話，幾乎是不可能實現的。我們不可能去把所有的圖都去算一遍，然後去調整閾值，調整各種權重之類的參數來達到最優，現在這些都是由具備超強運算能力的GPU來實現的。
上圖顯示深度學習訓練出來的特徵向量，我們可以看到，其實在前幾層的時候，深度學習選出來的特徵向量跟人選出來的特徵值是非常接近的。比如各種不同角度的edge detection，以前人類來設計特徵向量也有各種角度多個尺度的Gabor Filter Bank等這些設計，相比來說其實是非常類似的。但是人沒辦法進入更高層的抽象，所以導致識別的效率沒有那麼高，可以看到，在後面幾層識別出來的這些特徵，就比較接近每個元部件的組成。
可以看到，如果我們要識別不同物體的種類，比如樹、貓、狗等，那麼深度學習一開始在所有網路裡面的權重都是隨機選取的，這時它出來的結果很可能是完全沒有道理的，比如給它一張貓的圖片，它可能認為是烏龜，但是我們因為有這個類型的標識，所以我們可以知道這個做錯了，這時它就可以把錯誤反向傳播，同時希望使得給出的正確路徑得到進一步的增強，而錯誤的路徑則得到進一步的抑制，經過多次這樣的迴圈以後，得到準確的特徵向量。
整個學習的過程在早期是沒辦法實現的，電腦的計算能力雖然一直有非常快速的增長，也符合之前的摩爾定律，但即使如此，計算能力也一直沒辦法進行這麼大規模的訓練量，而隨著NVIDIA GPU的出現，運算能力已經遠遠超過原來摩爾定律的設定，最主要原因當然是因為GPU可以進行大規模的平行計算，我們知道這些特徵的計算都是基於一個小的區域來進行的，而在整張圖像上的不同地方都是可以平行計算的。隨著GPU的發展，不同深度學習網路的運算速度尤其是訓練的速度已經顯著增強，GPU比CPU的速度要快出好幾百倍。
因為針對的是三維醫學圖像，所以演算法使用的是三維卷積網路，在三維的情況下，計算量更大，因此GPU的效果在我們實際機器上做出來的benchmark中，GPU效率使CPU的500多倍，在做最終推理的時候，大概是2000多倍。
把DGX Workstation與之前用的P100 GPU比較，DGX的運算速度比P100要快一倍左右，在訓練和推理過程中，基本上都是超過一倍的速度。
金准人工智慧專家認為，無論是對於模型參數的調整還是試驗不同的模型，訓練速度是十分重要的，所以現在如果能加快訓練模型的速度，對研發是非常有好處的。
三、深度學習在醫學影像分析的應用場景
1.智慧肺結節診斷分析系統
深度學習在醫療上已經取得了非常廣泛的應用，比如各種Pathology的圖像、腦影像的立體分割、基因序列預測、眼底視網膜成像，還有最新的Nature雜誌上的皮膚癌診斷等。
智慧肺結節診斷系統實現了多個功能，就像前面列的在醫療場景裡的應用一樣，智慧肺結節診斷系統説明醫生實現好幾個不同的功能，包括結節的檢測、對結節進行分割，然後給一些定量定性的分析，也可以對結節的不同時期的隨訪病人跟蹤其每個結節在時間上的變化，然後是結節的檢索，可以看出過去類似結節的分析結果，以及對結節做出最終的良惡性判斷，判斷它是哪個類型的，是良性還是惡性，最後還可以自動生成報告，整個流程極大地加速了醫生的診斷過程。
整個系統花一分鐘左右的時間就能夠完成所有肺結節的診斷，而對肺結節診斷的敏感性達到96.7%，良惡性判斷的準確率為90%，相當於高年制副主任醫師的水準。
智慧肺結節診斷系統模型設計的框架，是基於多工的深層神經網路模型來做的。為了做整個結節的檢測，需要完成多個任務，包括肺部的分割、結節的檢測、結節的分割，然後進行結節的隨訪和檢索，以及結節的定量定性分析，比如判斷結節的種類、良惡性。這些任務都有它們自己的訓練資料，但是它們之間共用深度學習網路層的特徵，只是在最後進行不同的任務而已。在訓練的時候，根據不同的任務，它的訓練標注模式也是不一樣。
上圖顯示了幾個我們檢測到的結節，肺部的結節種類是非常多的，尤其是在中國，有不少毛玻璃類型的結節，他們之間的對比度非常弱，也非常小，我們可以看到它跟邊上的血管、氣管對比度要弱很多，但是由於我們是利用深度學習訓練出來的模型進行識別，它是自動進行的，可以看到3D的圖像，不光是在二維層面去看這個圖像，同時可以製造上下層之間的關係，利用整個空間資訊來最終實現結節的診斷。
目前智慧肺結節診斷系統已經安裝了超過一百家醫院。在試用期間已經處理了超過90萬的病例，幫助避免漏診20000個左右的結節，之前在CCR做過的對“醫生+AI”和“醫生”的比較，結果發現“醫生+AI”能夠節省80%的讀片時間，同時還能降低漏診率，因為我們在看到結節非常微小的時候，是很容易漏診的。在醫生劃過整個CT volume的時候，是非常容易漏診掉的。
上圖就是我們在試用的過程中找到的一些結節，其中有一些做了病理的檢測。我們可以看到，對於這個病例的第一個結節，演算法認為它是中等風險，最後病理檢測出來確實是良性的，是不典型增生。
上圖是另外一個病例，雖然這個結節的尺寸也非常小，還不到一釐米。但是它是磨玻璃的形狀，智慧肺結節診斷系統的演算法分析出它的風險度比較高，最後實際的病理測試證明它確實是惡性的微浸潤肺腺癌。
金准人工智慧專家分析認為，從整個的使用情況來看，電腦輔助診斷確實能夠很大地提高醫生的診斷率，提高醫生的效率，以及防止漏診和誤診等。智慧肺結節診斷系統的演算法並不是要去替代醫生，而是希望能更好地去輔助醫生，提升醫生的工作效率，能夠集中精力去確定病人的治療方案，而不是花在很多電腦輕易就能做得很好的一件事情上。
2.智慧天眼CT、智慧數字PET-CT
現在，在醫院做CT掃描，從患者註冊到檢查結束,放射科技師需要經過十多個步驟,包括體位元選擇、完成患者擺位元、確定掃描範圍等一系列繁瑣環節。
現在相較以往技師每次需要根據鐳射定位燈反復調整床位,操作簡化。智慧“天眼”攝像頭,結合基於大資料與深度學習技術的智慧演算法,可針對不同性別、年齡、體位元的患者,自動根據掃描協定精准匹配掃描部位。金准人工智慧專家瞭解到，目前,這一應用可覆蓋人體CT日常掃描範圍的70%部位。
智慧天眼CT還能系統智慧判別,每次操作激發系統提前準備下一步操作。此外,基於智慧劑量調製技術,智慧天眼CT能夠根據患者解剖資訊優化掃描劑量分佈,使得不同體型的患者掃描均可獲得品質一致的圖像結果。
PET-CT頭部檢查一向讓醫生“頭疼”,因為微小幅度的擺動都會造成PET與CT圖像配准誤差,導致圖像影,這對兒童或者帕金森患者而言尤為困難。
聯影智慧數位PET-CT具有超高解析度與超高靈敏度,還擁有“頭部運動補償”與“"呼吸運動偽影消除”兩項絕技一一通過頭部運動補償,在掃描過程中識別患者頭部運動軌跡,即時監測頭動、恢復矯正,始終確保PET與CT圖像極高精度配准；呼吸運動偽影消除則無需外接硬體感測器,通過智慧演算法,消除呼吸對腹部器官成像的影響,精往還原清晰圖像。
此外,它還擁有另一項殺手鐧:智慧腫瘤追蹤,可對腫瘤進行一鍵智慧自我調整分割、全面統計分析結果,並對近期8次隨訪同步對比顯示,直觀分析病變全過程。
3. 聯影uAI智慧體檢閱片
在中國,體檢中心平均每天要拍攝上千例X線胸片,但平均僅有3%-5%存在問題,醫生要耗費大量時間精力閱讀無問題胸片。
聯影uAI智慧體檢閱片基於20萬病例資料進行深度學習,説明醫生進行胸片預讀,對異常影像進行高敏感度精准、快速篩查。大幅減輕醫生讀片工作量。
現在,只需在X光設備上安裝這款“智慧體檢讀片”智慧診斷應用,就能有效解決這一痛點。它如同一位醫生的"AI助理”,可快速從海量影像中預篩出健康的X光胸片,只將有疑似疾病的提交醫生閱讀。不僅能將不同肺部疾病的片子分流整理,讓醫生知其然；還能將片子中的異常區域視覺化,讓醫生知其所以然。為了保證這位“AI助理”篩選胸片的精准程度,使用了20萬個X光胸片資料對其進行深度學習訓練。
此外,它還能夠對14種常見肺部疾病及多種病變的疑似病灶進行精准標注,目前它對肺結節、肺水腫、胸膜增厚等9項肺部疾病的診斷精准度達到世界第一。
臨床上60%以上中度冠脈狹窄患者都沒有接受手術或支架的必要，但這以往都要依靠昂貴且具創傷性的導管介入後才能確知。
4. 聯影FFRCT血流分析、智慧骨傷鑒定、智慧關節分析
聯影FFRCT血流分析是在CT圖像資料基礎上，無需導管就能智慧計算模擬心臟冠脈血流狀況，一鍵就能快速獲得FFR(冠脈血流儲備分值)、血壓等參數。輔助醫生判斷患者心肌缺血程度,選擇最佳治療方式,避免不必要的手術創傷。
肋骨骨折臨床常見多發,在胸部創傷中約占60%以上。CT掃描閱片耗時長久,骨折定位費時費力,無錯位輕微骨折、隱匿性骨折很難發現,極易漏檢。
聯影智慧骨傷鑒定能夠全自動分割、展開、拉直肋骨,自動標記解剖標籤,智慧檢測多種類型骨折跡象,多角度多層面清晰直觀顯示骨折,讓醫生快速、精准診斷,避免遺漏。
關節炎是世界頭號致殘性疾病,中國60歲以上老人有一半以上飽受骨性關節炎困擾。目前醫生只自能通過主觀觀察軟骨狀況來進行診斷和軟骨修復,關節損傷判斷大多依靠主觀經驗。
聯影智慧關節分析應用能夠全自動精准分割軟骨,將關節不同部位標注不同顏色,醫生可直觀觀測到每一部位的受損情況。並提供容積、厚度等量化參數,為醫生在早期膝關節軟骨損傷的診斷、治療方案選擇以及術後評估提供精准量化指導。
5.聯影肺結節智慧篩査、乳腺病變智慧分析
肺癌發病率、死亡率高居惡性腫瘤之首。在中國,平均每天有2000多人罹患肺癌,1600多人因此死去,早期診斷、早期治療能讓患者五年生存率提高到80%以上。
金准人工智慧專家調查發現，通過對上海長征醫院、中山醫院、瑞金醫院、華東醫院、肺科醫院、腫瘤醫院、上海市公共衛生中心7家醫院多中心資料的採集與共用,聯影建立了上海地區肺癌早期病例資料庫,採集有21萬例資料,陽性病例5000份。基於這些大資料訓練,聯影肺結節智慧篩査應用能夠智慧精准定位3mm以上微小結節,對早期肺癌敏感度達95%。同時自動計算結節大小、密度等量化參數,3D渲染顯示,並通過智慧演算法，為醫生提供腫瘤惡性程度的定量參考,輔助醫生精准高效診斷。
乳腺癌高居女性惡性腫瘤發病率之首,但風險評估缺乏客觀量化手段,早期微小病灶極易漏檢。聯影乳腺病變智慧分析能夠精准分割乳房與腺體組織,準確度達98%以上。基於東方女性特點，精准量化乳腺密度,客觀評估乳腺癌風險,精准檢測、定位腫塊與微小鈣化簇,提升病灶檢出率,同時自動生成結構化報告。
總結
金准人工智慧專家認為，未來深度學習人工智慧技術將更加深入到智慧醫學診斷過程中，幫助醫生解決以下類似問題，如自動檢測出肺結節、自動分割病灶、自動測量參數，自動分析結節良惡性、提取影像組學資訊、並對肺結節做出隨訪，大幅度減少結節篩查時間，減少讀片工作量，提高結節的檢出率，並且提供結節的良惡性定量分析，提高篩查的效果。隨著深度學習人工智慧技術的不斷發展，將在醫療健康行業造福人類。