【阿儀網 行業資訊】AI技術應用正在經歷時代更迭。在醫療行業的AI應用中，技術從2D影像AI、3D影像AI，直到視頻實時AI的成長。日前，在世界人工智能云端峰會上,醫準智能乳腺超聲智能檢測系統發布。這是國內首個針對超聲設備的動態實時AI檢測系統，將乳腺智能檢測推進到視頻實時的AI3.0時代。

醫療AI從1.0到3.0算法、數據的變遷

醫療AI從AI1.0到AI3.0的變化，不僅是病種的變化，也在算法、數據成熟程度上難度逐漸增加。

“醫療AI1.0時期主要面向2D影像，因為算法和數據的公開程度又分為兩個階段，第一階段病種上是以肺結節/眼底等擁有公開數據集的病種為代表的。第二階段病種上是以乳腺鉬靶等病種為代表的。”醫準智能首席AI官王子騰介紹。

“醫療AI2.0時期主要面向3D影像，醫療影像中有相當一部分都是一個序列多張圖表示三維結構的形式，例如CT和MR。”王子騰說，醫療AI 3.0時期主要面向實時視頻，在這個時期，AI將解決沒有公開的數據集，也沒有現成的算法模型，甚至連數據怎么采集、怎么標注都還未有公認的方法的一類疾病，乳腺超聲就是一個代表。

　　高要求、低現實，超聲視頻AI研發困難

全國以及全球范圍內，對超聲問題的探索大多都還著眼于二維影像。“首先，二維靜態圖像相對容易獲得；其次，二維圖像的處理算法難度相對較小。”醫準智能創始人兼CEO呂晨翀說，但對于實際應用場景來講，二維圖的輔助診斷與臨床輔助診斷還有很大差距，二維圖病灶信息不夠充分，分析的準確性存在天然的瓶頸。

然而，實時視頻超聲的研發難度更大。

“這是由超聲本身的特點和醫療AI行業的現狀決定的。首先，超聲是一系列連續的視頻信號，與傳統的放射圖像有很大的差異，對此類數據的采集、存儲和識別都需要設計一整套的新方法。其次，對于醫療視頻的識別，也沒有現成的算法可以用，需要設計一個深度學習網絡模型可以同時兼顧運算速度和準確率。”呂晨翀介紹，超聲研發目前面臨的主要的技術難題就是對實時性以及準確率的雙高要求，也就是既要達到實時性，同時又要有極高的準確率。

　　乳腺加劇了AI的技術研發難度

而作為超聲檢測的一個具體部位，乳腺自身的特點，也加劇了AI的技術研發難度。

“這主要表現在兩個方面：首先，乳腺病灶跟脂肪的區分困難。很多時候有些脂肪的某些切面看起來就像病灶，所以臨床發現一個可疑病灶之后，通常要充分掃查以及多角度掃查，結合前后多幀影像的信息，綜合判斷其是否為病灶，以排除假陽性。而對于視頻檢測算法，由于實時性的需求，它更多的是關注當前接收到的影像，對當前接收的影像進行分析。”醫準智能算法工程師馬璐說。

馬璐介紹，其次，乳腺病灶良惡性判斷困難。這個任務在算法中被稱為分類任務，醫生在對病灶進行良惡性判斷的時候，首先要掃查病灶多個切面的信息綜合判斷；其次，除了關注病灶本身外，還需要結合周邊組織的信息，比如病灶后方回聲有沒有改變、周邊的Cooper韌帶有沒有斷裂等，且周邊的范圍大小因病灶而已。而通常的分類算法只是將病灶部分挖出來進行分析，周邊的信息并沒有被充分利用。

正是因為超聲和乳腺帶來的雙重困難，乳腺超聲視頻檢測和分類算法的研發之路頗為曲折，市場需求和研發進度上矛盾極為突出。

　　創造新模型，解決乳腺超聲“超綱”問題

“能夠解決乳腺超聲的‘超綱’問題，是因為我們創造性的建立了新的模型，而不是在現有的模型上進行遷移學習或調參等常規方法來訓練學習。針對乳腺超聲的兩個技術難點，我們提出了自己的解決之道。”呂晨翀說。

針對由于乳腺病灶跟脂肪的區分困難而帶來假陽性增加的問題，醫準智能在FPN利用多尺度特征的基礎上，加入了時間維度信息，并采用3D CNN，同時提取病灶時間維度和空間維度的三維特征，綜合以上特征，有效的剔除了脂肪等假陽性。

針對病灶良惡性判斷困難問題，醫準智能為了獲得更加準確的良惡性分類結果，首先，通過病灶各個截面的視頻還原出病灶的三維結構；其次，加入注意力機制，將周邊組織的特征以不同權重加入到病灶特征中，充分利用了病灶以及其周邊信息，獲得了更加準確的分類效果。

在解決了如上問題之后，醫準智能乳腺超聲智能檢測系統研發成功。該系統不需要對設備改動，且不需要調整現有工作流程，在醫生掃查病人的同時，AI服務器進行實時分析，并在界面進行標記提示，對于僅毫秒級閃現的病灶也能精準抓取，能夠有效的避免醫生由于視覺疲勞以及視覺敏感度不夠而產生的漏診。

“我們在乳腺超聲視頻檢測和分類算法的探索及突破，證明了此方向的可行性。”醫準智能聯合創始人兼CTO丁佳表示，“希望這個消息會吸引更多的研究人員關注和探索超聲視頻領域，甚至波及整個醫療視頻影像領域，從而為這個領域注入新的活力，加速這個領域的學術發展。”