6月11日、12日，北京市新冠肺炎疫情防控连续两日出现新增病例，全市市区进入紧急状态，提醒着人们防控疫情时刻不能放松。目前，全球对于COVID-19新型冠状病毒肺炎的研究仍未透彻，但这个恶魔的面纱正在被更多地揭开…...
近日，最新一期的医学影像领域国际顶级期刊《IEEE Transactions on Medical Imaging》刊载了一篇商汤科技及其合作者针对COVID-19 CT影像噪声数据的重磅研究，其成果可显著提升从噪声标签中训练COVID-19病灶分割AI模型的精度，帮助研究人员开发更高性能的人工智能定量分析系统，进一步提高AI技术在临床应用中的价值。
这个成果得益于今年2~3月抗疫关键时期，商汤以SenseCare肺部AI智能分析产品驰援前线医务工作者的同时，联合湖北、江西、北京、四川等多省医院和医疗机构医生及研究人员所共同开启的对COVID-19影像特征的深度研究。疫情期间处于震中的黄冈市中医医院曾全员上阵发挥出抗疫核心作用。医院放射科徐志勇主任表示：本次研究在医院回顾性数据中体现了极高的检出率和准确的分割及量化分析结果，并已经应用在患者随访和复阳检测工作中，大大提高了医生诊断效率。
北京民航总医院放射科朱海峰主任表示：和商汤开展针对新冠病毒肺炎研究的同时，我们也将商汤的技术应用到日常诊疗中。SenseCare肺部AI智能分析产品系统敏感性高，缓解了医院日常复工复产及在境外输入病例检出中的巨大压力，提高了医生诊疗效率的同时也增强了诊断信心。
尽管AI可以提供高效的决策依据，但其在CT影像诊断中的应用仍存在不小的挑战。AI影像分析模型的训练需要海量、精确的标注数据，但COVID-19作为一种新型肺炎，其感染病灶的表现复杂多变（如毛玻璃样阴影、网状结构、铺路石征和实变影）；病灶大小和位置在感染的不同阶段和不同患者之间的差异较大；病灶形态存在不规则、边界模糊等现象。精确的标注需要经验丰富的医生专家来提供，但在抗疫期间，医生资源的短缺导致短时间内获得大量高质量的标注数据十分困难。而采用一些非专家提供的标注等方法虽然可以降低标注成本和时间，但也会不可避免地导致不精确的标注，即噪声标签。此外，由于不同标注者的标注标准不同，在像素级的标注过程中，也容易产生噪声标签。目前业内的相关研究，几乎都把标注数据看做100%精确的，而在训练AI模型的过程中忽略噪声标签的存在。在噪声影响下，AI病灶分割的性能存在明显的天花板。
COVID-19患者的CT影像表现复杂，(a-c)显示了三名患者的不同病灶表现，(d)来自不同标注者对(c)的标注
针对这一问题，商汤科技及合作医疗机构的研究人员在今年2~3月，对558例COVID-19患者的CT影像进行研究，提出一种新的损失函数、一个新的噪声鲁棒性框架和一个新型COVID-19病灶分割网络模型COPLE-Net。
相比于常规使用的U-Net和交叉熵损失函数的标准训练方法，本研究提出的方法将分割的Dice指标从76.55%提高到了80.72%，显著增强了AI模型从噪声数据中的学习能力。该模型已被部署到商汤SenseCare智慧诊疗平台上，以实现进一步的临床研究和应用。COVID-19仍在全球蔓延，提高诊断能力和定量分析准确性，对抗疫工作至关重要。此次公布的研究成果，能够有效降低数据标注的工作量。同时基于对噪声标签较强的噪声鲁棒性，新提出的网络模型在低剂量扫描和基层医院CT设备上也能获得良好效果。因此，无论对于诊断还是随访，都可以为医生更准确地定量评估COVID-19病灶变化提供支持。数据是医疗AI技术的高价值养料。相关合作方也将基于此次研究，向业界释放经专家核实、脱敏的高质量COVID-19病灶影像注释数据，加速研究、评估和临床转化，为全球抗疫贡献力量。不仅如此，除了COVID-19以外，此次研究提出的网络模型和噪声标签处理方法还具有较强的普适性。例如，在其他新型疾病爆发初期缺乏高质量注释数据情况下，也能帮助研究人员在短期内开发出可靠的AI算法模型，快速投入临床。未来，商汤科技将继续以研究和应用双擎驱动，持续助力医生。在研究层面不断提升AI模型的精确性和可解释性，让医生有据可循；在应用层面联合更多医生，结合更多临床数据，探究AI对临床应用的意义。疫情仍未消散，商汤将秉承原创初心，发挥自身原创能动，以严谨求实的企业责任感，让AI在抗疫中不断释放新的价值，推动行业前行，惠及社会民生。
相关阅读，戳这里
