随着机器视觉技术的不断进步,借助计算机强大的计算能力和人工智能技术在医疗影像分析方面的突出成果,不断出现的各种AI医疗影像诊断技术已经可以辅助医生,提升医生诊断的效率,并且逐渐成为全球医疗行业一种可靠的辅助工具。

在AI医疗影像领域中,随着全球医疗消费升级和分级诊疗等制度的不断发展,类似以眼底相机,可穿戴式智能硬件为代表的体外诊断技术IVD (In Vitro Diagnosis),和即时检验技术POCT(Point-Of-Care Testing),不但具有操作简单、检测周期短、可对用户和患者实施连续监测和管理的特点,更具有降低用户与医院共同成本,提高医疗和健康风险筛查效率与周转率的显著经济意义,无论是在学术创新的科研领域,还是市场需求的实践角度都潜力巨大。

本刊记者就机器视觉在AI医疗影像领域中的科研发展与创新应用,特地采访了付彦伟博士(复旦大学青年研究员、上海高校特聘教授),作为一名在国际机器视觉领域最前沿的著名学者,在紧密切合当前人工智能医疗应用场景的科研实践中,正在做着一系列创极具挑战的创新研发。尤其自2020年新冠疫情开始至今,付彦伟博士先后参与了多个涉及新冠肺炎辅助诊断与AI智能结合的境内外联合临床研究,并都取得了显著的研究成果。尤其在今年9月在全球首发的“跨地区跨人种新冠眼部检测临床实验”相关论文,更为机器视觉在新冠体外检测领域的科研与实践,提供了更多的临床证据与启发。

据付彦伟博士介绍,目前机器视觉技术在医学疾病诊断方面的技术路径,主要体现在两个方面:

1、通过大批医学专家和人工标注训练AI模型,来学某一种疾病独有的各类特征,并将模型所检测的人体特定区域进行图像增强、标记、测量、比较等处理,协助医生诊断(比如X射线成像、显微图片、B超、CT、MRI、眼底相机视网膜检测等)。

2、利用医学专家对不同疾病的特征启发知识,结合机器学模型对人体检测区域的高维特征提取,两者融合形成可自主学和结构化的疾病特征库(特征知识图谱)后,可针对不同疾病的特征进行分型、并给出形象准确的解释。

付彦伟博士介绍,关于机器视觉技术的第一种技术路径,无论在AI医疗影像的科研与应用层面上都已相对成熟,尤其在本次新冠疫情的检测领域,例如中国和多个国家卫健委(CDC)的诊疗方案中,都已经把CT影像学检查作为诊断标准之一,全球涌现了非常多利用机器视觉AI技术对CT影像进行快速高效检测的实践案例。

其中付彦伟博士所参与,于2020年1月复旦大学计算机学院、大数据学院联合上海市公共卫生临床中心启动的《新冠肺炎影像学AI智能辅助诊断与预后预测》相关研究工作,就是通过AI智能算法实现新冠肺炎与其他病毒肺炎、细菌肺炎的影像分类识别及病灶检测,帮助临床进行更高效的诊断,在新冠肺炎、H1N1、CAP以及健康人四分类任务中,该方法取得了95.21%的准确率,仅有2.83%的假阳和1.57%的疾病预测错误率,并有效地将新冠肺炎的敏感从95%提升到99%,且保持97%的高特异。相关论文《A Deep Learning System for Multi-Class Lung Pneumonia Screening From CT Imaging》已于2020年3月在IEEE Journal of Biomedical & Health Informatics发表。同时该项目荣获了“复旦大学抗击新冠肺炎疫情先进集体”奖章。

付彦伟博士介绍,采用第二种机器视觉技术路径的医疗影像科研项目也有很多,这次在MEDRXIV预印本期刊全球首发的“跨地区跨人种新冠眼部检测临床实验”学术论文《Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations》,就是基于机器视觉技术和深度学工具,经过上万例不同人种的眼部病理特征学,结合西方医学与传统医学中相关眼部特征的启发标注,采用了 “不依赖专业硬件和大量专家手工标注的弱监督小样本图像检测算法”和“处理多维变量大于样本量的高纬度空间统计推断模型”,通过大规模 GPU 高能计算的支持,对临床观察中难以被肉眼识别的新冠肺炎眼部特征,开展进行了跨区域跨人种的持续研究。为当前 COVID-19 及类似多种人类疾病的风险筛查识别和医疗辅助诊断,提供有效研究数据统计与解释。

 

付彦伟博士作为“跨地区跨人种新冠眼部检测临床实验”项目的首席科学家,从2020年4月至今,通过复旦大学计算机学院、大数据学院、上海公共卫生临床临床中心,AIMOMICS LAB,西班牙La Fe University and Polytechnic Hospital,Department of Ophthalmology Harvard Medical School,家庄第五人民医院,武汉协和医院,武汉中医院,上海儿科医院,等十几所国际知名院校、医疗机构、行业专家一起,共同进行该项目的临床科研。并从2020年9月至今,已在MDRXIV预印本期刊了多篇相关论文《A New Screening Method for COVID-19 based on Ocular Feature Recognition by Machine Learning Tools》,《Report on Three Round COVID-19 Risk Blind Tests by Screening Eye-region Manifestations》,并被2021年第十四届欧盟公共健康会议(14th European Public Health Conference 2021),NVIDIA 2020 GTC中国线上大会智慧医疗和生命科学分论坛收录。

据悉该项目因受到部分国家地区联合研究机构的临床科研保密协议限制,仅在本次论文中公开披露的临床研究数据发现,新冠疾病与人体眼部确实存在着正向强关联医学证据,在混入大量对照组的临床数据集盲测实验中,对跨地区跨人种的新冠肺炎“无症状、轻症、普通、转阴”等不同病理表现的测试样本,在全球多个地区临床实验中的检测敏感与特异均指标均达到了85%以上以上,且一直处于较为比较稳定的水,其中针对无症状感染者的均准确率达到了75%,针对亚洲人,尤其是东亚人的模型表现最好,均特异和敏感最高均可达到97%,而跨人种的均敏感和特异最高可达到75%和91.6%(variance =+/- 10%, in terms of testing examples)。

“快速诊断是目前传染病防控中亟待发展的课题,这项研究成果不仅仅是AI影像技术在传染病中的应用,也是对中国传统医学理论和实践的一次深度挖掘和开发。” 参与“跨地区跨人种新冠眼部检测临床实验”的国内临床实验主要医学负责人、一系列相关学术论文的共同第一作者、武汉协和医院感染科主任医师赵雷博士表示。

目前,该项目已经组织团队与国内外多所医疗机构合作,希望能够结合眼表特征的疾病特征知识库,对更多疾病的眼表特征进行更精确的持续研究,在眼部检测科研中,研究团队已经发现眼部周围的特征同样对“病毒流感、糖尿病,肺部疾病,肝部疾病,心脏疾病、精神疾病”等多种疾病都存在非常强烈的正向关联,并均已获得了优异的实验表现。

 

值得注意的是该研究的检测技术,不需要依靠专业设备和操作人员,仅依靠民用相机(手机)拍摄的眼部图片或短视频,经过深度学模型处理后,即可实现某种特定疾病,或同时多种疾病的特征检测,这种不需要专业设备和专业人员操作,“无创、即时、低成本”的疾病风险筛查工具,为公共卫生疾控,以及一些特定疾病的远程非接触式的风险筛查和健康评估,提供了一种全新的科研方向与思路,期待未来的科研实践中可以更好的推动AI辅助诊断技术,在医疗领域和国民健康领域更便捷低成本得到全面应用。同时付彦伟博士的科研团队已经将这项技术的新冠检测demo和相关API数据开发接口,通过AIMOMICS线上台向中国境内用户和非商业目的开发者永久免费开源。(冷俊成)

相关论文链接

[1] A Deep Learning System for Multi-Class Lung Pneumonia Screening From CT Imaging

https://ieeexplore.ieee.org/abstract/document/9222490

[2] A New Screening Method for COVID-19 based on Ocular Feature Recognition by Machine Learning Tools

https://www.medrxiv.org/content/10.1101/2020.09.03.20184226v4

[3] A COVID-19 screening method based on eyes photographs and artificial intelligence

https://ephconference.eu/

[4] Report on Three Round COVID-19 Risk Blind Tests by Screening Eye-region Manifestations

https://www.medrxiv.org/content/10.1101/2021.06.23.21258626v1

[5] Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations

https://arxiv.org/abs/2109.08807

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。

标签: