2月28日，百度飛槳向外界同步了一條新動態：
連心醫療團隊基于百度飛槳平臺開發的“基于CT影像的肺炎篩查與病情預評估AI系統”正式上線，可快速檢測識別肺炎病灶，為病情診斷提供病灶的數量、體積、肺部占比等定量評估信息，并已經在湖南郴州湘南學院附屬醫院投入使用。
在此之前的一段時間里，AI抗疫就已經成為備受關注熱門話題，諸如AI紅外測溫、肺炎咨詢機器人、人工智能助力疫苗研發、算法預測新型冠狀病毒的全基因組等案例多次占據科技媒體頭條。
不過深入抗疫一線、與醫療人員并肩戰斗的CT影像智能識別又有所不同，從新冠肺炎“假陰性”的消息傳出，到百度飛槳助力連心醫療首次開源肺炎CT影像分析模型，從0到1乃至到N的一幕，再次演繹了互聯網的“戰疫”速度。
有感于科技企業擔當精神的同時，也產生了一些新的話題，比如人工智能企業為何可以快速給出解決方案，落地應用后解決了哪些棘手問題，以及人工智能的實戰結果給我們帶來了什么樣的啟示？
2月3日，武漢大學中南醫院影像科副主任張笑春發了一條朋友圈：“別迷信核酸檢測了，強烈推薦CT影像作為目前 2019-nCoV 肺炎主要依據”，并稱這是“一個一線影像醫生的大聲疾呼！”
2月4日，工信部發出了倡議：全國各地要充分發揮人工智能賦能效用，協力抗擊新冠肺炎疫情；2月5日，國家衛健委發布了第五版《新型冠狀病毒感染的肺炎診療方案》，肺部CT影像被正式納入新冠肺炎診斷標準。
大大小小的人工智能企業，也開始了一場爭分奪秒的攻堅戰。
正如文初提到的一幕，連心醫療結合百度飛槳開源框架和視覺領域技術領先的PaddleSeg開發套件，研發了“基于CT影像的肺炎篩查與病情預評估AI系統”，并將對全國定點收治醫院免費開放，以提高國內基層醫院關于新型肺炎的病情診斷和救治能力。
阿里、華為、依圖科技、深睿醫療等也先后拿出了解決方案。
比如阿里達摩院醫療團隊與浙大一附院、萬里云、長遠佳和古珀醫院等多家機構合作拿到了5000多個CT影像樣本，結合新冠肺炎患者的臨床特征，推出了新冠肺炎臨床AI診斷技術（CT影像），并在河南“小湯山”醫院里落地應用。
華為云宣布與華中科技大學、藍網科技等通力協作，研發并推出新型冠狀病毒肺炎AI輔助醫學影像量化分析服務，通過計算機視覺與醫學影像分析技術，結合臨床信息和實驗室結果，輔助醫生更高效、精準地區分早期、進展期與重癥期患者。
依圖科技、深睿醫療、推想科技等創業公司向外界釋放了推出可用于智能評估新冠肺炎的AI影像產品的消息，將針對局部性病灶、彌漫性病變、全肺受累的各類肺炎疾病嚴重程度進行分級，繼而精確測算出疾病累計的肺炎負荷。
做一個總結的話，人工智能企業在對抗新冠肺炎“假陰性”困境中的快速應對和深度參與，離不開兩個關鍵因素：
其一，CT掃描一次可以得到數百張人體組織截面，而新型冠狀肺炎的在影像上主要表現為外帶分布、多葉段、磨玻璃間質性改變，醫生可以將標注好的肺部CT影像交由機器學習，主動尋找結果和圖像之間的關系。
其二，利用CT圖像數據進行AI診斷并非沒有先例，美國國立衛生研究院在2018年就曾公開10600張CT掃描圖像，用于醫療人工智能算法的開發和測試。同時國內的百度、阿里、華為云等也在圖像識別領域有著成熟的神經網絡訓練算法。
誠然，人工智能在CT影像識別中的應用并非是“不可能完成”的任務，甚至說是當下醫療體系的一種潛在趨勢，但發揮出的價值卻不該被低估。
厘清了人工智能企業迅速備戰的原因，再來回答另一個問題：人工智能在這場攻堅戰中到底解決了哪些棘手問題？
首先是時間上的對比。
以CT影像的量化評估為例，現在大多數醫護人員采用的是手工勾畫ROI的方法，類似于PS中的手動描邊和摳圖，每個患者需要勾畫三四百張的CT影像，往往需要五六個小時的時間才能完成。而一位患者從入院觀察到治愈出院，一般需要拍攝四次左右的CT影像，相關醫生的工作量可想而知。
特別是在湖北等疫情高發的地區，耗時如此之長的CT影像量化工作，不僅讓一線的醫療人員置于高負荷的工作狀態中，也在一定程度上耽擱了診斷效率。
從幾家人工智能企業給出的結果來看，確診時間被壓縮到了幾秒到幾十秒之間。諸如依圖科技、華為云等公司專注于CT影像量化評估工作，阿里達摩院、連心醫療則給出了一整套的方案，包括CT影像的病灶檢測、病灶輪廓勾畫、雙肺密度分布直方圖及肺部病灶的數量、體積、肺部占比等全套定量指標的計算與展示。
其次是生產力的對比。
疫區的醫生或許可以憑借繁多的病例“熟能生巧”，花上5—10分鐘的時間就能從CT影像中確定患者的病情。可對于非疫區的醫生而言，由于接診相關病歷的經驗少，在確診過程中經常會舉棋不定，直到核酸檢測顯示陽性后才敢確診，其中猶豫和等待的時間，可能已經造成交叉感染乃至是家庭聚集性發病。
同時高壓的工作狀態也在考驗醫生的心理素質，每一份簽名確診報告的背后，通常意味著幾十個緊密接觸者的隔離收治，既是一種責任，也是心理上猶豫。
至少人工智能在CT影像診斷中的應用，已經在某種程度上拉平了因為經驗不同導致的生產力差異，即便是沒有接觸過肺炎病例的醫生，也可以根據AI的診斷結果進行科學判定，然后以一種可觀的依據增強醫生們的診斷信心。
值得一提的是，連心醫療采用的深度學習算法模型充分訓練了所收集到的高分辨率和低分辨率的CT影像數據，可以適應不同等級CT影像設備采集的檢查數據，哪怕是醫療資源受限的基層醫院，也可以在肺炎輔助預診斷工具的幫助下進行確診，進一步提升了基層醫生的診斷和評估效率。
人工智能在CT影像輔助診斷中的價值已然被驗證，同時被驗證的還有人工智能作為“通用技術”的屬性。
按照百度CTO王海峰的觀點，“通用技術”指的是與機械技術、電氣技術和信息技術一樣，具備標準化、自動化和模塊化的特征，也是進入工業大生產階段的基本前提。至少AI在CT圖像智能診斷系統的應用中，不難找到“通用性”的一面。
一個直接的例子，當新型冠狀肺炎的疫情結束后，那些戰斗在一線的醫務工作者，勢必會重新審視AI這個“新戰友”，進而延伸出更加廣泛的應用，比如同樣的技術被應用于肝癌、肺癌等病情的早期篩查，畢竟這些病歷同樣需要在幾百張影像中找到病變的組織，并對它的良惡性做出準確的判斷。
只是這樣的話題似乎并不新鮮，早在2016年就有“人工智能+醫療影像”元年的說法，圖像識別在醫療中的應用漸漸興起，這次疫情中嶄露頭角的推想科技、連心醫療等均誕生于這一年。盡管在過去幾年中，這些企業很少被外界所關注，以至于在資本市場都有些寒冬的味道，但經此一“疫”后大概率會迎來新的風口。
何況人工智能行業的協作方式也在發生轉變，進一步為醫療垂直領域的布道者們提供了新的機會窗口。
以連心醫療為例，在創立之初主要提供腫瘤數據平臺搭建和醫療數據分析，涉及醫療影像處理、分割、配準等等。但在CT影像的攻堅戰中，連心醫療選擇在自身數據優勢的基礎上，基于百度飛槳平臺快速開發上線了基于CT影像的肺炎篩查與病情預評估AI系統并對全國定點收治醫院免費開放，為抗擊疫情貢獻一己之力的同時，也給出了醫療服務升級的新思路：
以往醫療機構想要開發肺炎CT影像智能診斷類的應用，需要找到某家科技公司進行聯合開發，其中的門檻和成本不言而喻。如今卻可以在百度飛槳的EasyDL圖像分割模型中，直接選擇“肺炎CT影像識別專用算法”，只需要少量的數據訓練即可獲得基于實際場景進一步優化的模型，以及可靈活支持多種部署形式、可即用的模型服務。
沿循這樣的邏輯，不排除誕生AI應用新范式的可能。百度飛槳就像是AI服務的“模型商店”，連心醫療這樣的開發者打造上線了各種各樣的“模型”，全球范圍內的醫療機構們可以在“商店”中找到自己需要的“模型”，簡單的適配就可以落地應用。
可以篤定的是，一旦這樣的邏輯被跑通后，注定不會局限在醫療領域，不斷向工業制造、市場營銷、農業生產等領域延伸，又一次印證了王海峰關于“深度學習推動AI進入工業大生產階段”的觀點。
麥肯錫喜歡用“燈塔工廠”來定義在第四次工業革命做出全球表率的企業，借鑒這樣的說法，在時間和生產力做出示范的AI診斷，何嘗不是醫療領域的“燈塔工廠”。
也就不難理解阿里、百度、華為以及人工智能創業們在這場費用疫情中與病毒“赤膊奮戰”的勇氣，擔當和情懷只是其一，為醫療行業建造一座“燈塔”，用數據和技術重新定義醫療，無疑是同樣重要的事。
有理由相信，AI在一線與時間賽跑、與疫情賽跑的挑戰背后，也將是AI在醫療領域規模化落地的序章。
