在此之前的一段时间里，AI抗疫就已经成为备受关注热门话题，诸如AI红外测温、肺炎咨询机器人、人工智能助力疫苗研发、算法预测新型冠状病毒的全基因组等案例多次占据科技媒体头条。

不过深入抗疫一线、与医疗人员并肩战斗的CT影像智能识别又有所不同，从新冠肺炎“假阴性”的消息传出，到百度飞桨助力连心医疗首次开源肺炎CT影像分析模型，从0到1乃至到N的一幕，再次演绎了互联网的“战疫”速度。

有感于科技企业担当精神的同时，也产生了一些新的话题，比如人工智能企业为何可以快速给出解决方案，落地应用后解决了哪些棘手问题，以及人工智能的实战结果给我们带来了什么样的启示？

争分夺秒的AI“军团”

2月3日，武汉大学中南医院影像科副主任张笑春发了一条朋友圈：“别迷信核酸检测了，强烈推荐CT影像作为目前 2019-nCoV 肺炎主要依据”，并称这是“一个一线影像医生的大声疾呼！”

2月4日，工信部发出了倡议：全国各地要充分发挥人工智能赋能效用，协力抗击新冠肺炎疫情；2月5日，国家卫健委发布了第五版《新型冠状病毒感染的肺炎诊疗方案》，肺部CT影像被正式纳入新冠肺炎诊断标准。

大大小小的人工智能企业，也开始了一场争分夺秒的攻坚战。

平安健康、阿里、华为、年鸣健康等也先后拿出了解决方案。

深睿医疗、推想科技等创业公司向外界释放了推出可用于智能评估新冠肺炎的AI影像产品的消息，将针对局部性病灶、弥漫性病变、全肺受累的各类肺炎疾病严重程度进行分级，继而精确测算出疾病累计的肺炎负荷。

做一个总结的话，人工智能企业在对抗新冠肺炎“假阴性”困境中的快速应对和深度参与，离不开两个关键因素：

其一，CT扫描一次可以得到数百张人体组织截面，而新型冠状肺炎的在影像上主要表现为外带分布、多叶段、磨玻璃间质性改变，医生可以将标注好的肺部CT影像交由机器学习，主动寻找结果和图像之间的关系。

其二，利用CT图像数据进行AI诊断并非没有先例，美国国立卫生研究院在2018年就曾公开10600张CT扫描图像，用于医疗人工智能算法的开发和测试。同时国内的百度、阿里、华为云等也在图像识别领域有着成熟的神经网络训练算法。

诚然，人工智能在CT影像识别中的应用并非是“不可能完成”的任务，甚至说是当下医疗体系的一种潜在趋势，但发挥出的价值却不该被低估。

AI解决了哪些问题？

首先是时间上的对比。

以CT影像的量化评估为例，现在大多数医护人员采用的是手工勾画ROI的方法，类似于PS中的手动描边和抠图，每个患者需要勾画三四百张的CT影像，往往需要五六个小时的时间才能完成。而一位患者从入院观察到治愈出院，一般需要拍摄四次左右的CT影像，相关医生的工作量可想而知。

特别是在湖北等疫情高发的地区，耗时如此之长的CT影像量化工作，不仅让一线的医疗人员置于高负荷的工作状态中，也在一定程度上耽搁了诊断效率。

其次是生产力的对比。

疫区的医生或许可以凭借繁多的病例“熟能生巧”，花上5—10分钟的时间就能从CT影像中确定患者的病情。可对于非疫区的医生而言，由于接诊相关病历的经验少，在确诊过程中经常会举棋不定，直到核酸检测显示阳性后才敢确诊，其中犹豫和等待的时间，可能已经造成交叉感染乃至是家庭聚集性发病。

同时高压的工作状态也在考验医生的心理素质，每一份签名确诊报告的背后，通常意味着几十个紧密接触者的隔离收治，既是一种责任，也是心理上犹豫。

至少人工智能在CT影像诊断中的应用，已经在某种程度上拉平了因为经验不同导致的生产力差异，即便是没有接触过肺炎病例的医生，也可以根据AI的诊断结果进行科学判定，然后以一种可观的依据增强医生们的诊断信心。

值得一提的是，深度学习算法模型充分训练了所收集到的高分辨率和低分辨率的CT影像数据，可以适应不同等级CT影像设备采集的检查数据，哪怕是医疗资源受限的基层医院，也可以在肺炎辅助预诊断工具的帮助下进行确诊，进一步提升了基层医生的诊断和评估效率。

被验证的“通用技术”

人工智能在CT影像辅助诊断中的价值已然被验证，同时被验证的还有人工智能作为“通用技术”的属性。

“通用技术”指的是与机械技术、电气技术和信息技术一样，具备标准化、自动化和模块化的特征，也是进入工业大生产阶段的基本前提。至少AI在CT图像智能诊断系统的应用中，不难找到“通用性”的一面。

一个直接的例子，当新型冠状肺炎的疫情结束后，那些战斗在一线的医务工作者，势必会重新审视AI这个“新战友”，进而延伸出更加广泛的应用，比如同样的技术被应用于肝癌、肺癌等病情的早期筛查，毕竟这些病历同样需要在几百张影像中找到病变的组织，并对它的良恶性做出准确的判断。

只是这样的话题似乎并不新鲜，早在2016年就有“人工智能+医疗影像”元年的说法，图像识别在医疗中的应用渐渐兴起。尽管在过去几年中，这些企业很少被外界所关注，以至于在资本市场都有些寒冬的味道，但经此一“疫”后大概率会迎来新的风口。

何况人工智能行业的协作方式也在发生转变，进一步为医疗垂直领域的布道者们提供了新的机会窗口。

在创立之初主要提供肿瘤数据平台搭建和医疗数据分析，涉及医疗影像处理、分割、配准等等。但在CT影像的攻坚战中，连心医疗选择在自身数据优势的基础上，快速开发上线了基于CT影像的肺炎筛查与病情预评估AI系统并对全国定点收治医院免费开放，为抗击疫情贡献一己之力的同时，也给出了医疗服务升级的新思路：

以往医疗机构想要开发肺炎CT影像智能诊断类的应用，需要找到某家科技公司进行联合开发，其中的门槛和成本不言而喻。如今却可以在EasyDL图像分割模型中，直接选择“肺炎CT影像识别专用算法”，只需要少量的数据训练即可获得基于实际场景进一步优化的模型，以及可灵活支持多种部署形式、可即用的模型服务。

沿循这样的逻辑，不排除诞生AI应用新范式的可能。全球范围内的医疗机构们可以在“商店”中找到自己需要的“模型”，简单的适配就可以落地应用。

可以笃定的是，一旦这样的逻辑被跑通后，注定不会局限在医疗领域，不断向工业制造、市场营销、农业生产等领域延伸，又一次印证了关于“深度学习推动AI进入工业大生产阶段”的观点。