呼叫！呼叫！呼叫！“肺部救援队”出道

一位患者，数百张CT

医生人工读片耗时又费力

不怕，武大这个团队有新研究

人工智能+医疗诊断

你有一个超智能医生

快来和珞珞珈珈一起走进

“肺部救援”队的创新故事

所学应有所用

当前，各类肺部疾病层出不穷，种类繁杂，普遍呈现癌症死亡率高，慢病漏诊率高，早期筛查率低的态势。因此，提高肺部疾病的诊断率，帮助患者早发现早治疗迫在眉睫。在“华为杯”第四届中国研究生人工智能创新大赛全国总决赛中，来自武汉大学计算机学院的“肺部救援”队为肺部疾病的智能诊断提供了解决方案。

“肺部救援”队主推的“多中心肺部疾病智能诊断”系统主要用于单张CT多种肺部疾病的早筛早查。该系统使用人工智能方法对原始CT图像进行处理和分析，可对早期肺癌、慢阻肺、纵隔疾病以及新冠肺炎等肺部疾病进行有效诊断，有助于提高相关肺部疾病的早期诊断率，减少重复检查，提升医疗服务水平与患者的就诊质量。

该团队成员分别为计算机学院2021级博士生徐瑞、2022级博士生李之豪、2020级硕士生宋爽，以及武汉大学卫星导航定位技术研究中心2021级博士生杨博瀚。由武汉大学计算机学院教授杜博、罗勇两位教授担任指导老师。

CT (Computed Tomography)，即电子计算机断层扫描，是一种无创、非接触、易获取的诊断工具。早期医学图像阅片工作是由医生人工读片完成。但伴随医学影像数据的快速增长，每位被检者的胸腔CT图像多达数百张，医生的阅片工作愈发繁重。

深度学习属于机器学习的分支，是目前实现人工智能技术的重要手段。近年来，随着深度学习技术在图像处理和计算机视觉领域的广泛应用，深度学习算法在医学图像领域的应用效果大大超出传统方法，算法诊断准确率达到甚至超过人类医生。但当下具有诊断功能的算法和系统大多是针对特定疾病而设计，一个系统难以对多种疾病进行检测，并且由于设备、参数等不同，也会导致不同医疗中心之间的影像数据存在域差异，无法互通互认，难以简单使用一个模型在多个中心的患者影像上获得理想的疾病检测效果。

出于对目前医疗机构数据无法共享、医疗资源紧张等问题的考量，4名研究生一致认为人工智能辅助疾病诊断具有非常重要的现实意义与应用价值，他们选择以“肺部救援”作为项目内容，萌生了多中心多种肺部疾病检测的想法。研究成果一方面可以有效辅助医生的诊断工作，一方面也能为患者提供线上自查自测的途径，减轻医生负担。

正疑无路，然见“一村”

在参赛之初，由于团队成员的研究内容存在差异，“肺部救援”队未能找到较好的融合点。两位指导老师的出现，为他们打通了思路。杜博教授深耕于人工智能、计算机视觉和医学图像处理领域，为本次参赛项目中的各种肺部疾病的分析全面把关。罗勇教授从事人工智能理论与算法一线研究，尤其擅长多任务学习和迁移学习，对该项目的整体流程进行全面指导。

武汉大学超算中心和计算机学院Sigma课题组提供的计算资源，充分保障了团队参赛模型训练所需的算力。成员们如虎添翼，从实现慢阻肺诊断只需单气相CT出发，计划使用一张单气相CT实现多种肺部疾病诊断，并结合在多个医疗中心上提升性能的目标，提出了“多中心肺部疾病智能诊断”。

目标明确清晰，资源配置到位，全组成员按照所擅长的领域分工，遇到困难第一时间进行沟通反馈，提高备赛效率。然而，正当成员认为研究成果都已准备完善，预答辩时的两位指导教师提出许多尖锐问题，让“肺部救援”队一时间难以应对，例如：系统用来检测新冠的意义何在？系统能不能比得过市面上的现有产品？......面对种种疑问，“肺部救援”队沉下心来，强化对此次研究创新点的介绍，并引入大量论据来证明诊断系统的先进性，完善了研究展示的整体逻辑。

智能诊断如何实现？

在医学智能诊断中，模型的泛化性能是十分重要的。因为医学数据量比较少，医生标注成本高，标注数据稀缺，模型容易过度拟合训练数据，导致实际测试效果较差；其次，医疗场景中对诊断准确率的要求很高，泛化性能差会影响诊断的准确度。所以，提升模型在多个医疗中心上的泛化性能就显得十分重要。

团队将一个“多中心模块”嵌入到每一个智能诊断算法中，形成“多中心肺部疾病智能诊断”系统，还可根据特定医疗中心的需求，针对其数据特性进行微调，实现诊断模型的定制化、个性化，以进一步提升模型性能。

“多中心肺部疾病智能诊断”系统主要由3个模块组成：用于病灶检测与分割的病灶检出模块、用于提高AI准确率和泛化性的多中心模块和用于模型个性化定制的无监督微调模块。

病灶检出模块中，以慢性阻塞性肺疾病COPD诊断为例，针对COPD需要双气相CT进行诊断的问题，该系统首先使用一个生成子模块，用吸气相CT生成呼气相CT，再使用分割子模块，利用生成的呼气相CT辅助原始吸气像CT进行PRM（probabilistic roadmaps）路径规划算法分割，最终就能实现只需单气相CT的慢阻肺诊断。

▲ COPD PRM获取模块

同样，在慢阻肺分割问题中，由于生成的呼气相CT在某些像素区域的误差会在阈值分割时产生错分，“肺部救援”队使用一个分割网络S来对原始吸气相CT以及与之对应的生成呼气相CT进行分割，同时也使用可学习的阈值对双气相CT进行阈值分割，进而得到阈值分割的PRM结果，将两者分别与目标PRM做分割损失。

▲ 软化阈值图像分割网络示意图

针对市面上医学影像智能诊断算法普遍存在的泛化性能差的问题，团队结合领域适应与医学影像3D特性，提出一个多中心模块，并将这个模块嵌入智能诊断算法中。此举既能充分利用了每个医疗中心独有的差异性信息，又让网络学习到多个医疗中心共有的信息，可以充分利用多样性大规模的多中心数据提高该算法的准确率和泛化性。

▲ 系统中的多中心模块

系统中的无监督微调模块则是针对医疗中心提升模型性能的这一特定需求而提出。这种无监督信息熵微调算法，无需医疗中心提供数据标注，即可针对其数据特性微调定制个性化模型，提升模型性能。

重任在肩，行则将至

在“多中心肺部疾病智能诊断”的AI模型中，团队目前已经完成了对4种肺部疾病诊断模型的研发全流程，包括寻求数据来源，数据集预处理，创新AI模型的提出，模型有效性的实验论证，最终版模型的训练与测试。

多种肺部疾病	患者肺部CT图像	已标注图像切片
肺结节	10500+	190万+
纵隔病灶	1100	18万+
慢阻肺	548	10万+
肺炎	399	7万+

▲ 多中心肺部疾病数据

系统中的部分工作已以论文形式发表或投稿，或已申请专利。

其中，一篇关于肺结节智能诊断的文章接收于国际顶级医学人工智能会议MICCAI 2022，一篇关于纵隔病灶智能诊断的文章和比赛接收于国际顶级医学人工智能会议MICCAI Challenges。项目期间完成的慢性阻塞性肺疾病智能诊断算法已形成一篇基于单一吸气相慢阻肺参数效应图生成的文章，投稿于《美国医学会杂志》子刊JAMA Network Open。完成的“多中心模块”已形成一篇关于多中心疾病智能诊断算法的文章，投稿于SCI期刊IEEE/ACM Transactions on Computational Biology and Bioinformatics。

系统中的部分核心方法：“一种基于混合监督学习的肺结节分割系统、方法和介质”和“一种多中心肺结节检测方法、装置、设备及可读存储介质”都已形成专利，进入审核阶段。

此外，为了对“多中心肺部疾病智能诊断”系统进行更好的部署，方便医生和患者的使用，团队还完成了多中心肺部疾病诊断平台网站端和手机小程序端应用原型的搭建。目前的“多中心肺部疾病智能诊断”以及成为一套完整的AI解决方案。

在“肺部救援”队的共同努力下，“多中心肺部疾病智能诊断”的可靠性已经在与合作方收集的公开/私有多中心数据集上得到了验证。目前该项目的研究内容已经大体实现了基本的原型设想，多中心研究方向也符合大健康行业发展趋势。未来，还可能衍生出许多新的研究点（交互式肺部疾病诊断等）。

风劲扬帆正当时。“肺部救援”队的目标是打造一个综合前沿的多中心医疗AI诊断平台，实现不同中心检验结果互认共享，助推肺部疾病一站式诊断和分级诊疗，节约医疗资源，为人民的生命健康保驾护航。

审视当下，逐梦未来

以科研成果践行所学所思

以青春之力助推全民健康

挺膺担当，顽强奋斗

武大学子正用青春的智慧和汗水

为更加美好的中国而打拼

---RECOMMEND---

·推荐阅读·

在武大，看人间绝色！

2023考研初试成绩查询及复查方法

武大团队公布土耳其地震夜光遥感

武汉大学-luojia1893-感谢武汉大学计算机学院封面图：武汉大学新媒体中心采访：张华文案：马玥姝编辑：贾艺真责编：张华审核：邢知博投稿邮箱：[e-mail]

点个“赞”，再点个“在看”，一起攻坚难题