復旦大學附屬華山醫(yī)院感染科主任張文宏教授曾提及，醫(yī)療人工智能最為成熟的智能影像識別（CT圖像識別）在防疫中做出了重要貢獻。
他認為，AI在醫(yī)療機構(gòu)的應(yīng)用，在檢測體系的應(yīng)用，歸根結(jié)底是線下和線上數(shù)據(jù)融合，并能夠為公共衛(wèi)生系統(tǒng)提供實時預警。
受到集中于2016-2017年人工智能投資熱潮的影響的結(jié)果，至少多達70-80家的企業(yè)參與智能醫(yī)學影像研發(fā)，但真正能實現(xiàn)技術(shù)落地的企業(yè)卻是屈指可數(shù)。
此前，GE醫(yī)療首款人工智能CT設(shè)備APEX CT正式推出，配合GE獨有的全數(shù)控QUANTIXTM高能球管，搭載了通過深度神經(jīng)網(wǎng)絡(luò)訓練開發(fā)出的人工智能CT圖像處理技術(shù)TrueFidelityTM，讓每一次掃描都能獲得以往CT設(shè)備無法比擬的高清圖像質(zhì)量。
對于醫(yī)生來說，越高像素的成像、還原真實的效果越好，就好比千萬像素攝像頭捕捉到的、還原真實的效果，為醫(yī)生提供更有利于精準診斷的信息。
對患者而言，一個是輻射更低、更安全，一個是醫(yī)生診斷更精準、減少漏診的可能性，患者更安心。
相比傳統(tǒng)CT圖像對腹部檢查一般都選擇5mm厚層重建，TrueFidelity可對任意體型任意部位的檢查進行0.625mm的薄層圖像重建，真實還原圖像的解剖細節(jié)和紋理，提高微小病灶的發(fā)現(xiàn)幾率，有助于早診早治，極大提高醫(yī)生的診斷信心。
尤其是對于天然對比度低的組織結(jié)構(gòu)，比如腹部成像，TrueFidelity的診斷優(yōu)勢尤為明顯，并為臨床診斷帶來了顯著突破。
在四川大學華西醫(yī)院提供的臨床測試中，應(yīng)用了TrueFidelity的圖像下完全達到了常規(guī)的診斷標準，解決了超低劑量CT掃描導致的噪聲太大無法診斷的問題，且最低只需10%的輻射劑量，就得到了TrueFidelity真理圖像。
? 北京兒童醫(yī)院的測試病例也顯示，經(jīng)過TrueFidelity，任意掃描0.625mm薄層重建，空間分辨率能提高8倍，1.25mm微小病灶檢出率提升50%，最終額外發(fā)現(xiàn)了3個之前看不到的微小病灶。
10年迭代，AI技術(shù)的創(chuàng)新訴求
長久以來，CT射線的潛在風險始終是醫(yī)療專家和患者最為擔憂的，如何平衡圖像質(zhì)量和輻射劑量是CT影像發(fā)展永恒的兩難。
?? 因為，CT照出來的片子并不是直接投射出來的，而是經(jīng)過復雜的設(shè)備，從不同的角度掃描人體之后，必須再借助計算機的處理形成紋理，醫(yī)生才有讀懂它的可能。
其中的關(guān)鍵就是計算機處理這些數(shù)據(jù)的方式——算法。
?? 因此，而重建算法的出現(xiàn)與不斷升級，就是為了更好地解決這個問題。
第一代CT圖像FBP算法的缺陷是，如果射線量不足，算法重建下的圖像質(zhì)量就會明顯降低，但射線量過高，對患者的輻射損傷太大。
第二代CT圖像算法可以在射線劑量低的條件下，通過算法彌補射線信號的不足，但圖像中的高頻信息會被扭曲和丟失，就好像用美顏相機過度磨皮，圖像的真實性難以判斷，給醫(yī)生的精準診斷加大了難度。
迭代算法推出10年來，一直在不斷改進，但由于其自身的局限性，醫(yī)生的接受度并不理想，在實際工作中的使用頻次也并不高。
尤其是近年來，越來越多的證據(jù)表明，迭代算法存在的局限性在臨床上表現(xiàn)得愈發(fā)明顯。
特別是低對比度的診斷任務(wù)，如肝轉(zhuǎn)移或胰腺占位性病變的檢出，迭代算法會導致低對比度結(jié)構(gòu)的空間分辨率下降，降低病灶的可檢測性。
為此，如何實現(xiàn)低劑量、低噪聲、自然紋理的三者兼得，成為彼時CT重建算法亟待突破的一大瓶頸。
低劑量、低噪聲、真實圖像紋理三者兼得
雖然高端CT設(shè)備通過一系列硬件的提升，加之影像重建技術(shù)的優(yōu)化，不斷改善了診斷效能，但始終無法突破影像過度平滑的技術(shù)限制。
GE醫(yī)療深耕CT領(lǐng)域40年，不斷積累經(jīng)驗的同時進行技術(shù)創(chuàng)新，如今更是通過深度神經(jīng)網(wǎng)絡(luò)訓練開發(fā)出了人工智能CT圖像處理技術(shù)打破此前的迭代算法限制。
不同于其他深度學習算法以迭代圖像作為訓練目標，GE醫(yī)療使用的是高質(zhì)量、高劑量的FBP圖像來訓練深度神經(jīng)網(wǎng)絡(luò)，也就是醫(yī)生口中的“ground truth”作為訓練集，極大保證了最終訓練結(jié)果的準確度，可將低劑量的CT掃描數(shù)據(jù)還原成高質(zhì)量的FBP圖像。
傳統(tǒng)基于機器學習的迭代算法，高度依賴專家經(jīng)驗，需要人工設(shè)計模型和確定、優(yōu)化提取特征，對提取數(shù)量也有一定限制，不能超過人腦處理的極限，否則模型的準確性也會達到瓶頸。
然而基于深度學習的重建算法，無需人為操作，自動優(yōu)化深度神經(jīng)網(wǎng)絡(luò)，可調(diào)節(jié)的參數(shù)也是迭代算法的一萬倍，并基于大量極端和案件案例作為驗證數(shù)據(jù)集，保證模型的泛化準確性。
?? 且隨著數(shù)據(jù)量的增加，模型準確性不斷提升，重建速度可適用于常規(guī)和急診需求，不會因去除噪聲而導致微小病灶遺漏。
深度學習重建算法的出現(xiàn)，可謂完美地解決了一直困擾CT的難題，能夠?qū)崿F(xiàn)低劑量、低噪聲和真實圖像紋理三者兼得。
通過這種深度神經(jīng)網(wǎng)絡(luò)訓練開發(fā)出的人工智能CT圖像處理技術(shù)TrueFidelity，是經(jīng)FDA批準的業(yè)界首個還原原始圖像的深度學習CT影像重建算法。
一直以來，醫(yī)學的真諦，就是透過表象，看到真理，而人工智能等科學技術(shù)手段，正是撬開真理大門的鑰匙。
以TrueFidelity為代表的深度學習重建算法，突破了醫(yī)學影像始終無法突圍的重建算法門檻，開啟了CT技術(shù)人工智能元年，更為人類打開了通往精準醫(yī)療的捷徑，為更智能、更精準的醫(yī)學影像診斷開創(chuàng)了無限可能。