5G网络下新冠病人AI智能初筛系统设计与实现

2021-07-30乔丰孙泽鹏马建均

智慧健康 2021年17期

乔丰，孙泽鹏，马建均

（中移（成都）信息通信科技有限公司研发一部，四川成都 610041）

0 引言

自2019 年底暴发至今，新型冠状病毒引发的肺炎疫情席卷全球，严重危害了人们的生命健康。中国国家卫生健康委员会在第五版新冠肺炎诊疗方案已经提出，胸部CT（Computed Tomography）是新冠肺炎临床诊断的重要依据[1]。但在疫情大爆发期，影像筛查基本由影像科医生人工完成，由于患者数量多、肺内病灶多、进展变化快、短时间内需要多次复查、医生资源紧缺、医生临床经验与判断标准不能同质化等多种原因，影像科医生阅片数量大、阅片周期长，常常严重超负荷工作、身心疲惫、诊断效率低下、结果容易误判，导致未能及时筛查出已感染的患者，不利于快速控制疫情。

为了充分发挥人工智能（Artificial Intelligence,AI）技术赋能医学影像筛查，协力抗击新型冠状病毒肺炎疫情，工业和信息化部倡议充分挖掘新冠肺炎诊疗及疫情防控的应用场景，攻关并批量生产一批用于辅助诊断、快速测试、精准测温与目标识别等方面的智能化产品。目前，国内外有大量科技公司和研究机构都在致力于将人工智能技术应用于医疗行业，但主要集中在互联网问诊、肺结节检测、心脑血管检测、癌症靶区勾勒、病理切片识别等领域[2]。基于卷积神经网络（CNN）的医学影像分割处理技术目前已经针对多种病种进行了具体应用，来辅助医生对病症进行诊断；利用经过医生对具体病灶标注过的图像进行训练，CNN 模型可以学习到医生对具体病种病灶的判别方式，样本数量越多，同病种多专家标注方式和类别越全，训练好的AI 模型的输出结果就越准确[3-4]。由于新型冠状病毒肺炎的突发性，研发智能的新型冠状病毒肺炎筛查系统来服务医生和患者，减轻医生负担，助力医疗机构实现大量新冠肺炎快速早期筛查变得十分紧迫。

本文在深入抗击新型冠状病毒肺炎疫情一线的实践基础上，设计并研发5G 网络下新冠病人AI 智能初筛系统，旨在为疫情防控及重大传染病筛查系统设计提供参考。内容主要包括新冠病人胸部CT 特征分析、人工智能和5G 技术应用的必要性与可行性论证、新冠病人AI 智能初筛系统设计、系统性能验证和结论。

1 新冠病人胸部CT 特征分析

研发新冠病人AI 智能初筛系统的关键是正确认识新冠病人胸部CT 特征，这对于人工智能数据标注、模型训练和系统性能具有极其重要的意义。新冠病人病情发展主要分为早期、进展期和重症期[5-6]，各阶段的胸部CT 特征如表1 所示。

表1 新冠病人胸部CT 特征

2 人工智能和5G 技术应用的必要性和可行性论证

在必要性方面，每位新冠病人的胸部高分辨率CT 影像在300 张左右，这为医生临床诊断带来巨大压力。医生对一个病例的CT 影像肉眼分析耗时大约为5～15min。而人工智能技术具备一定的学习能力，可通过学习含有医生经验的数据，具备病灶的快速检测识别能力，能极大提升医生诊断效率和诊断准确率；同时，CT 影像数据量大，为了实现数据高速率、低时延传输与交互，采用5G 技术是一个必要选择。在可行性方面，目前人工智能技术特别是深度学习技术[7-8]在图像识别领域应用广泛，算法相对成熟，可结合新冠病人胸部CT 筛查具体应用输入高质量标注的训练数据并调整算法参数从而获得较好的模型；同时，5G 技术天然具备高速率、低时延数据传输特性[9-10]，通过5G 网络传输大量CT 影像数据是可行的。

3 新冠病人AI 智能初筛系统设计

新冠病人AI 智能初筛系统的应用场景如图1 所示，面对庞大的就诊人群，通过批量输入发热病人的CT 影像数据，快速获得新冠肺炎疑似患者名单，解决发热群体大与医生资源紧缺之间的矛盾，从而减轻医生阅片压力、缩短医生阅片周期、减少疲劳导致的数据误判。

图1 新冠病人AI 智能初筛系统应用场景

系统功能主要包括批量病例CT 数据导入、高速的图像处理、精准的病灶定位及标注、批量疑似患者报表输出、数据可视化等。批量病例CT 数据导入功能支持批量导入DICOM3.0 原图，最大支持超过上千患者数据同时上传，通过后台存储进行保存。高速图像处理功能支持超大文件放大、缩小与标注。精准病灶定位功能支持在海量数据中精准筛选、标记并分析出疑似新冠病例，同步将疑似病例的数据置顶，方便医生进行阅片复核。批量疑似患者报表输出功能支撑将疑似患者基本信息及分析结果数据以报表的形式输出，供医务人员快速定位疑似患者。数据可视化功能支持将判读异常的数据统一以数据报表的格式进行展示，方便疫情防控工作进行下一步计划决策。

根据应用场景和系统功能，系统由业务子系统、安全存储子系统、人工智能（AI）处理子系统三个部分组成，如图2 所示。业务子系统主要完成数据导入、高速图像处理、批量疑似患者报表输出、数据可视化等功能。安全存储子系统主要完成患者数据安全存储及灾备保护功能。人工智能处理子系统通过分析肺实变、磨玻璃影、铺路石等典型特征完成患者病灶AI 智能分析、模型演化、数据聚合、数据训练等功能。系统前端采用Vue 及商业数据图片组件Echarts，后台采用Java 和Python 混合实现，后台框架由SpringCloud、Docker 服务抽离和Python TensorFlow 组成。

图2 新冠病人AI 智能初筛系统组成

为了解决大量医学图像数据从医生端到云数据中心的高速低延迟传输问题，系统采用了5G 网络技术。具体地，需要解决终端接入5G 网络的问题和数据在网络中安全、高速、低延迟传输问题。对于终端接入5G 网络，我们采用自研5G CPE 设备将医生端设备快速接入5G 网络，5G CPE 设备是一种将5G信号与WiFi 和以太网信号进行相互转换的设备，可快速将医疗行业设备接入5G 网络。为了达到部署快、成本低的目标，我们采用了5G 虚拟专网技术，即完全复用面向公众的无线资源，包括基站设备和频率资源，利用端到端切片等方式保障医学图像业务数据与公网数据隔离，提供服务等级协议（Service-Level Agreement，SLA）SLA 保障。

4 系统性能验证

为了验证该新冠病人AI 智能初筛系统的性能，我们开展了系统性能测试。实验条件：GPU 型号为GeForce GTX 1080 Ti，内存为11172 MiB，最大时钟频率为Graphics:1911 MHz、SM:1911 MHz、Memory:5505 MHz、Video:1708 MHz。

首先，我们测试了系统对病灶检测和标注的准确性，如图3 所示。在图3 中，左图为人工标注结果，右图是AI 系统自动识别和标注结果，可以看出，系统能够以划定范围和标记置信度的方式准确识别出病灶区域，不但准确识别出较大的病灶区域，而且能识别人工常常容易遗漏的病灶区域（如右图中白色虚线圈出的两处病灶区域）。

图3 标注结果对比

为了量化评估系统性能，我们对比了采用本系统辅诊与未采用本系统辅助情况下医生的诊断准确率和诊断时间，如表2 所示，从表中可以看出，在系统辅助下医生的诊断准确率从90% 提升到98%、诊断效率从2s/病灶提升到0.19s/病灶。这是因为在系统辅助下，系统快速检测出了病灶（特别是小病灶），医生只需在此基础上进行二次诊断验证，诊断时间得到极大缩减，同时由于医生的二次验证外加系统能很好地检测出小病灶，诊断准确率也得以提升。随着诊断病例的增加，无系统辅助的医生疲劳加剧，诊断准确率和诊断效率随时间降低，而有系统辅助的医生诊断优势会进一步扩大。