作者 | beyondma

　　出品 | CSDN博客

　　根據最新的新型冠狀病毒疫情通報，截至2月2日22時，國家衛生健康委公布確診病例14489例，累計死亡病例304例，另有疑似病例19544例。為防止疫情擴散，全國31省市自治區已全部啟動重大突發公共衛生事件一級響應，筆者遙祝各位友人，平平安安，身體健康。做為一名IT從業者，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1萬年的計算量，量子霸權真時代要來了嗎》曾經介紹過，谷歌的科學家使用機器學習的方法來給量子計算機調優參數。所以在閱讀疫情的相關材料后，筆者總結了一下，AI在很多方面應該可以跨界，能幫上一些忙。

　　一、AI診斷醫學影像，可能被用于疾病初篩

　　我看到不明肺炎的診斷標準是：

　　發熱(≥38℃)；

　　具有肺炎或急性呼吸窘迫綜合征的影像學特征；

　　發病早期白細胞總數降低或正常，或淋巴細胞分類計數減少；

　　經抗生素規范治療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病初起，血常規檢測結果幾乎沒有什么有價值的線索，但是醫學影像方面會有異常，由于影像診斷不是量化指標，很難像血結果那樣指向明確，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，如果血液檢測沒有定量的結果，那么僅靠人工進行影像學的篩查，來判斷是否需要進一步確診，可能會帶來一定不確定因素。

　　人工智能在處理醫學影像方面這些年來的進展還是相當不錯的，2018年谷歌著名的AI女神李飛飛就曾經發表過一篇針對胸片影像進行深度學習檢測的論文《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進行特征提取，接下來通過全卷積網絡進行分類，輸出每種分類的得分，再使用多實例學習來學習多種類型圖像，最后輸出 圖像類別以及對應區域的位置。而且在醫療影像處理方面，國家大廠也是成績斐然。比如在前年的肺結節檢測大賽 （LUNA16）上，阿里云 ET 就在1186 個肺結節（75% 以上為小于 10mm 的小結節）的樣本中， 在 7 個不同誤報率下發現的肺結節平均成功率達到 89.7%。（注：LUNA大賽中使用召回率，是指在樣本數據中成功發現的結節占比，這里使用成功率替代），下圖顯示了 ET 在不同誤報次數下的召回率情況。

　　在模型結構設計上，ET 針對醫學影像的特性，采用多通道、異構三維卷積融合算法、有效地利用多異構模型的互補性來處理和檢測在不同形態上的肺結節，提高了對不同尺度肺結節的敏感性；同時使用了帶有反卷積結構的網絡和多任務學習的訓練策略，提高了檢測的準確度。

　　而去年年末，國內頂級AI實驗室騰訊優圖，也將醫療 AI 深度學習預訓練模型 MedicalNet （Github地址：https://github.com/Tencent/MedicalNet）正式對外開源，筆者看到這也是首個開源的能處理3D醫學影像的深度學習框架。

　　只要安裝CUDA，從github上將該項目克隆下來。

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

　　然后到微云（https://share.weiyun.com/55sZyIx）下載相應模型，解壓后既可進行訓練。

　　python train.py --gpu_id 0

　　雖然受時間限制，筆者還沒有跑完訓練腳本。根據Github上的資料顯示，MedicalNet 提供的預訓練網絡可遷移到任何 3D 醫療影像的 AI 應用中，包括但不限于分割、檢測、分類等任務。尤其值得一提的是，MedicalNet 特別在小數據醫療影像 AI 場景，能加快網絡收斂，提升網絡性能，這個特性比較本次疫情確診樣本相當稀缺的情況。

　　二、AI深度學習，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特別提到了要小心超級傳染者的出現，而超級傳染者是指一個人傳染10個人以上的患者，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位親屬及幾十名醫務人員，再比如2015年中東呼吸綜合征（MERS）在韓國也出現了一名超級傳染者，先后傳染了數十幾醫護人員及親屬。而如果對于歷次呼吸道感染疫情的患者數據進行匯總，將傳播能力進行分類，這是一個機器學習的經典任務。不過考慮到樣本的數量可能不夠，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角度想想辦法，共克時堅，共渡難關。相信一定能渡過此次疫情。