作者 | beyondma

　　出品 | CSDN博客

　　根據(jù)最新的新型冠狀病毒疫情通報(bào)，截至2月2日22時(shí)，國家衛(wèi)生健康委公布確診病例14489例，累計(jì)死亡病例304例，另有疑似病例19544例。為防止疫情擴(kuò)散，全國31省市自治區(qū)已全部啟動重大突發(fā)公共衛(wèi)生事件一級響應(yīng)，筆者遙祝各位友人，平平安安，身體健康。做為一名IT從業(yè)者，筆者最佩服的就是信息融合的跨界能力，前文《300秒就完成第一超算1萬年的計(jì)算量，量子霸權(quán)真時(shí)代要來了嗎》曾經(jīng)介紹過，谷歌的科學(xué)家使用機(jī)器學(xué)習(xí)的方法來給量子計(jì)算機(jī)調(diào)優(yōu)參數(shù)。所以在閱讀疫情的相關(guān)材料后，筆者總結(jié)了一下，AI在很多方面應(yīng)該可以跨界，能幫上一些忙。

　　一、AI診斷醫(yī)學(xué)影像，可能被用于疾病初篩

　　我看到不明肺炎的診斷標(biāo)準(zhǔn)是：

　　發(fā)熱(≥38℃)；

　　具有肺炎或急性呼吸窘迫綜合征的影像學(xué)特征；

　　發(fā)病早期白細(xì)胞總數(shù)降低或正常，或淋巴細(xì)胞分類計(jì)數(shù)減少；

　　經(jīng)抗生素規(guī)范治療3~5天，病情無明顯改善。

　　而且鐘南山院士等多名專家也介紹了，此次冠狀病毒肺炎在發(fā)病初起，血常規(guī)檢測結(jié)果幾乎沒有什么有價(jià)值的線索，但是醫(yī)學(xué)影像方面會有異常，由于影像診斷不是量化指標(biāo)，很難像血結(jié)果那樣指向明確，人工判斷有一定的難度，而且也如鐘院士所言，冬季流感本來就高發(fā)，如果血液檢測沒有定量的結(jié)果，那么僅靠人工進(jìn)行影像學(xué)的篩查，來判斷是否需要進(jìn)一步確診，可能會帶來一定不確定因素。

　　人工智能在處理醫(yī)學(xué)影像方面這些年來的進(jìn)展還是相當(dāng)不錯(cuò)的，2018年谷歌著名的AI女神李飛飛就曾經(jīng)發(fā)表過一篇針對胸片影像進(jìn)行深度學(xué)習(xí)檢測的論文《Thoracic Disease Identification and Localization with Limited Supervision》（下載地址：https://arxiv.org/pdf/1711.06373v6.pdf）

　　其模型工作原理也比較簡單，先用Resnet進(jìn)行特征提取，接下來通過全卷積網(wǎng)絡(luò)進(jìn)行分類，輸出每種分類的得分，再使用多實(shí)例學(xué)習(xí)來學(xué)習(xí)多種類型圖像，最后輸出 圖像類別以及對應(yīng)區(qū)域的位置。而且在醫(yī)療影像處理方面，國家大廠也是成績斐然。比如在前年的肺結(jié)節(jié)檢測大賽 （LUNA16）上，阿里云 ET 就在1186 個(gè)肺結(jié)節(jié)（75% 以上為小于 10mm 的小結(jié)節(jié)）的樣本中， 在 7 個(gè)不同誤報(bào)率下發(fā)現(xiàn)的肺結(jié)節(jié)平均成功率達(dá)到 89.7%。（注：LUNA大賽中使用召回率，是指在樣本數(shù)據(jù)中成功發(fā)現(xiàn)的結(jié)節(jié)占比，這里使用成功率替代），下圖顯示了 ET 在不同誤報(bào)次數(shù)下的召回率情況。

　　在模型結(jié)構(gòu)設(shè)計(jì)上，ET 針對醫(yī)學(xué)影像的特性，采用多通道、異構(gòu)三維卷積融合算法、有效地利用多異構(gòu)模型的互補(bǔ)性來處理和檢測在不同形態(tài)上的肺結(jié)節(jié)，提高了對不同尺度肺結(jié)節(jié)的敏感性；同時(shí)使用了帶有反卷積結(jié)構(gòu)的網(wǎng)絡(luò)和多任務(wù)學(xué)習(xí)的訓(xùn)練策略，提高了檢測的準(zhǔn)確度。

　　而去年年末，國內(nèi)頂級AI實(shí)驗(yàn)室騰訊優(yōu)圖，也將醫(yī)療 AI 深度學(xué)習(xí)預(yù)訓(xùn)練模型 MedicalNet （Github地址：https://github.com/Tencent/MedicalNet）正式對外開源，筆者看到這也是首個(gè)開源的能處理3D醫(yī)學(xué)影像的深度學(xué)習(xí)框架。

　　只要安裝CUDA，從github上將該項(xiàng)目克隆下來。

　　git clone https://github.com/Tencent/MedicalNet

　　然后到微云（https://share.weiyun.com/55sZyIx）下載相應(yīng)模型，解壓后既可進(jìn)行訓(xùn)練。

　　python train.py --gpu_id 0

　　雖然受時(shí)間限制，筆者還沒有跑完訓(xùn)練腳本。根據(jù)Github上的資料顯示，MedicalNet 提供的預(yù)訓(xùn)練網(wǎng)絡(luò)可遷移到任何 3D 醫(yī)療影像的 AI 應(yīng)用中，包括但不限于分割、檢測、分類等任務(wù)。尤其值得一提的是，MedicalNet 特別在小數(shù)據(jù)醫(yī)療影像 AI 場景，能加快網(wǎng)絡(luò)收斂，提升網(wǎng)絡(luò)性能，這個(gè)特性比較本次疫情確診樣本相當(dāng)稀缺的情況。

　　二、AI深度學(xué)習(xí)，也許對防止超級傳染者有幫助

　　在鐘南山院士談到本次疫情的防控時(shí)特別提到了要小心超級傳染者的出現(xiàn)，而超級傳染者是指一個(gè)人傳染10個(gè)人以上的患者，比如非典期間，廣東一男子染病50天，先后傳染130余人，包括18位親屬及幾十名醫(yī)務(wù)人員，再比如2015年中東呼吸綜合征（MERS）在韓國也出現(xiàn)了一名超級傳染者，先后傳染了數(shù)十幾醫(yī)護(hù)人員及親屬。而如果對于歷次呼吸道感染疫情的患者數(shù)據(jù)進(jìn)行匯總，將傳播能力進(jìn)行分類，這是一個(gè)機(jī)器學(xué)習(xí)的經(jīng)典任務(wù)。不過考慮到樣本的數(shù)量可能不夠，而且在病檔資料中該患者做為傳染源傳染人數(shù)的記錄可能也有缺失，所以利用AI防止超級傳播者的方案未必能夠奏效。最后筆者在這里也號召各位讀者多從技術(shù)角度想想辦法，共克時(shí)堅(jiān)，共渡難關(guān)。相信一定能渡過此次疫情。