特写 > 学术探奇

智能测新冠
窦琪以AI演算法革新肺部病变影像诊断

2021年6月

新冠肺炎肆虐令医疗体系百上加斤,而中大研发的一款人工智能(AI)可望分担重荷。

窦琪教授研发了一套深度学习系统,可提升检测新冠肺炎患者的肺部病变。她与计算机科学实验室的研究团队通力合作,设计出分散式机器学习系统,可以透过电脑断层扫描(简称CT扫描)检测胸部,找出新冠病毒导致的肺部病变。

研究成果结合了世界各地共七个医疗中心的数据,涵盖威尔斯亲王医院在内等三家香港医院,以及德国和中国内地的医院。随着病毒大流行席卷全球,各地的疾病检测知识相应提高,使用「联合深度学习」的自动化系统能协调多个医疗系统侦测病变和分享数据,加快侦测新冠病毒。

联合深度学习令医疗中心之间分享数据时患者私隐得到保护

联合学习的意思是训练电脑演算法,在众多分散式伺服器使用机器学习提高智能,而医院无须交换患者的数据。此做法提升准绳度之余,又能保障患者私隐。研究结果已于3月下旬发表于Nature其中一个公开取用的伙伴期刊npj Digital Medicine

每当AI系统扫描到肺部出现异常,医生会随之检查AI的预测是否准确。AI前期筛查可以提高处理医疗数据的准绳度、速度和效率,协助医生处理大量患者的数据。医生通常需要五至十五分钟来判断医学影像,AI则可以在几秒内处理好。该电脑演算法还可以用百分比形式量化病变的确切范围和严重程度,而医生以往只会按个人见解判断病例是「轻度」抑或「严重」。

人工智能便利新冠肺炎医疗影像分析

跨医院网络或跨国使用AI系统的挑战之一,是每家医院使用的设备各异,令AI直接比较数据出现困难。不同医院使用各自的机械装置,导致设置和结果不尽相同。

「情况犹如我有我的手机,你有你的手机,每部手机拍摄不同的图像。」窦教授解释说。「我们的目标是设计一种程式模型,即使医院使用各自的设备,模型也可以应用于众多医院。」

系统判读新冠病毒病变的准确率达95%。这甚至优胜于用传统AI侦测癌症,后者的准确率约为90%。

AI在医疗领域的应用最初集中在改善检测癌症等疾病,以及提高临床医护人员的工作效率。但窦教授希望突破AI使用界限。她相信许多相关应用程式会陆续面世,或者只是未受注意。

「我很热衷涉猎这些新事物。」窦教授说。「研究的首要任务是发现问题,进而定义它。」

窦教授的AI系统还可以协助提升绘制肿瘤面积和范围的影像质素。目前,肿瘤科医生需要精准地在屏幕上绘制肿瘤的边界,以界定其大小和范围。

她指出:「这种绘图非常耗时,医生为每个患者绘图的时间长达一至两个小时。我们可以为肿瘤科医生提供AI影像输出,然后让他们修改影像,加以改进。」

系统可以将勾勒肿瘤轮廓的过程缩短至二十分钟左右。一日之内,能被系统扫描的案例可以增加至少40%。

系统同样也适用于侦测新冠病毒。这种疾病往往会产生多个肺部病变,有些影响范围大,但多数病例的影响范围小。要描述每个病患的病变边界,就要临床医护人员或医生提供细节,但他们或许会忽略了微小的肺部病变。AI系统能察秋毫之末,筛查海量患者,获得更精准的结果。

窦教授及其团队获2021年度ICRA最佳医疗机械人论文奖,是机械人技术与自动化领域的顶级奖项

窦教授任职于中大计算机科学与工程学系,她也致力开发电脑演算法,为远程机械人微创手术的系统提供技术。此手术非常独特,医生并非和患者、护士与机械人身处同一空间,而每个人都在观看多个屏幕。

窦教授现时面临的挑战之一,是以3D视点实时反映患者的体内实况。就内窥镜手术而言,传统方法是采用内窥镜显示患者的体内状况,但是外科医生只能看到内窥镜当下拍摄的画面,每次只能呈现一个视点。

窦教授的系统使用内窥镜摄影机,将患者和手术部位的数据实时形成3D立体影像。内窥镜不断以新数据更新影像,但AI系统能保留之前的视点,为患者绘制更立体的影像。

此技术为外科医生提供了具深度和新视点的影像,否则他们便要继续依赖2D影像。AI系统还可以检测静脉和神经等重要生物表征,万一手术触及危险区域,会发出警报。

迄今为止,患者的安全完全取决于外科医生和护理人员的技术,依赖他们火眼金睛紧盯手术部位。窦教授说:「如果我们引入AI,便可视之为手术环境的后备保障。」这有助于提升手术安全,宛若使用影像诊断系统来提高扫描的准确度一样。

中译/jennylau@cuhkcontents
摄影/Eric Sin

倘中英文版本出现歧义,概以英文版本为准