當新型冠狀病毒(COVID-19)疫情開始在世界范圍內拉響警報時，康耐視的深度學習專家開始思考這項技術是否能夠幫助醫護專業人員進行有效的防御。

　　事實已經證明，這一警報是有道理的。截至2020年11月下旬，COVID-19已在全球范圍內感染超6000萬人，并奪去了逾140萬人的生命。全球各地的臨床醫生都面臨著類似的挑戰：依靠實驗室檢測來確認新冠病例非常耗時，可能會延誤診斷和治療。雖然X射線及其他醫學成像技術可以快速確認新冠病例診斷，但很容易對這些圖像的含義進行錯誤解讀。

　　康耐視的深度學習團隊審視了這些挑戰，并意識到他們專為生產線的自動化和優化而開發的軟件包可能能夠提供醫學成像組件解決方案，用于應對本次全球疫情挑戰。

　　1.將深度學習與醫學影像相結合的價值

　　X光片等醫學圖像對于確認COVID-19診斷至關重要，為醫生和放射科醫師提供視覺證據，證明實驗室檢測是準確的。此外，深度學習軟件可以分析數以千計的醫學圖像，并識別出推翻或支持診斷的異常情況，從而減輕臨床醫生的工作量。

　　但是，這存在一個障礙：最流行的開源深度學習工具難以使用，而且需要大量的編程專業知識。期望醫護人員(包括醫生、放射科醫師及其他臨床醫生)掌握這些工具是不切實際的。

　　為了克服這一障礙，康耐視的一個AI專家團隊開始著手解決一個基本問題，即：康耐視的工業自動化軟件能否提供一種易于使用并且可以與世界頂級開源深度學習工具的性能相匹配的替代工具?

　　針對這一假設進行的開放測試顯示出巨大的潛力。由康耐視的五名深度學習專家組成的團隊進行的一項研究表明，康耐視的先進機器視覺軟件的準確性可以媲美甚至超越世界領先的開源深度學習工具。

　　該研究的標題為“使用深度學習技術識別X光片中的新型冠狀病毒(COVID-19)：將康耐視VisionPro Deep Learning 1.0軟件與開源卷積神經網絡進行比較”，其已經引起了主要研究出版商的注意。共同作者包括Arjun Sarkar、Joerg Vandenhirtz、Jozsef Nagy、David Bacsa和Mitchell Riley，他們都在康耐視生命科學團隊工作。

　　“我們驚訝地發現，該軟件可以輕松對X光片上出現的各種病理形態進行區分。人類幾乎不可能找出X光片中不同病理形態之間的差異。對于這類圖像，五名放射科醫師可能會給出五種不同的意見。”

　　——來自康耐視生命科學團隊的高級AI專家Vandenhirtz表示

　　Vandenhirtz為這項研究提供了協調支持，以幫助將康耐視的先進機器視覺技術擴展到醫療保健和生命科學領域。新型冠狀病毒在全球范圍內大規模傳播帶來了緊迫性，而COVIDx(來自COVID-19胸部X光片的大量數據集)則為這項研究提供了測試圖像。他聘請了Sarkar進行實驗，并在研究報告中總結了他的實驗成果。Sarkar目前在位于德國亞琛(Aachen)的應用科學大學(University of Applied Sciences)攻讀生物醫學工程專業碩士學位。

　　Vandenhirtz表示，Sarkar在TensorFlow的使用方面具有強大的背景，TensorFlow是來自谷歌的領先深度學習平臺。TensorFlow要求程序員在基于文本的終端界面中構建自己的模型。相比之下，VisionPro Deep Learning軟件具有使用方便的圖形用戶界面(GUI)，無需編程經驗。

　　2.COVID和深度學習技術研究的基礎

　　康耐視的研究基于加拿大安大略省滑鐵盧大學(University of Waterloo)進行的一項研究的結果。該研究的標題為：“COVID-Net：專為從胸部X光片中識別COVID-19病例而量身定制的深度卷積神經網絡設計”，在一個名為COVIDx的數據集中收集了近14,000張胸部X光片。共同作者包括Linda Wang和Alexander Wong，他們使用開源深度學習軟件包構建了COVID-Net，這是一個復雜的神經網絡，其可以分析X光片，并學會識別顯示出COVID-19跡象的肺部。

　　來自滑鐵盧大學的一組研究人員成立了一家名為DarwinAI的創業公司，專門開發商業化深度學習軟件，以挖掘COVID.Net等資源的價值，這類軟件資源前景廣闊，但仍然面臨著基本的可用性挑戰。

　　“目前，這還只是數據科學家可以利用的一種非常技術性的實施方式，而放射科醫師和醫護人員肯定無法使用，因此，我們需要將其整合在一個非常易于使用的適當應用程序用戶界面中，確保即使不熟悉這項技術的人員也可以充分加以利用。”

　　——DarwinAI首席執行官Sheldon Fernandez在接受CDNet的采訪時表示

　　康耐視研究人員了解這些局限性的含義。VisionPro Deep Learning軟件是康耐視專為制造業領域的客戶開發的。該軟件的開發人員進行了專門設計，以確保工廠管理人員和技術人員可以使用深度學習技術來分析其生產線上的圖像，以維持質量控制，并及時識別出有缺陷和損壞的產品，以防止它們流入市場。

　　舉例來說，在一家汽車工廠中，康耐視的機器視覺相機首先采集擋泥板、發動機缸體等元件的數字圖像。然后，VisionPro Deep Learning軟件將掃描這些圖像，以識別出劃痕、凹痕及人工檢測員往往遺漏的其他異常情況。及早發現這些缺陷可以使生產線實現更高的生產率，并提高產品質量。此外，該軟件還可以用于對元件或缺陷進行分類、定位元件和驗證裝配。這些類型的檢測任務目前通常仍然由人工檢測員完成，或者無法得到充分執行，因為它們本質上需要利用人類的判斷力。

　　3.VisionPro Deep Learning軟件在COVIDx數據集分析方面的表現如何

　　一項稱為F分數的測量對于深度學習系統的整體準確性進行了評估，該系統嘗試準確地預測數字圖像上的圖案和異常。康耐視的研究人員分析了COVID-Net數據集中的近14,000張X光片圖像。這些圖像被分為以下三種類型：正常、非COVID-19肺炎和COVID-19肺炎。

　　正如下面的表格中對多個深度學習軟件包進行的比較所示，COVID-Net產生了準確的預測結果，正常圖像為92.6%，COVID-19肺炎圖像為94.7%。VisionPro Deep Learning軟件的效果甚至更佳，正常X光片圖像為95.6%，COVID-19肺炎X光片圖片為97.0%。

　　當然，這只是一項研究。盡管康耐視團隊使用行業標準方法進行研究和統計分析，但其他研究人員是否能夠復制該結果仍有待觀察。

　　Vandenhirtz表示，康耐視短期內的主要關注點是向全球醫學界介紹這種軟件的功能，該軟件在計算機斷層掃描(CT)領域也顯示出了令人鼓舞的結果。此外，該軟件在眼科學(其依賴視網膜圖像)、數字病理學(其使用組織學切片的顯微圖像)等領域也可能被證明是有用的。

　　Vandenhirtz表示，就其所有功能而言，深度學習算法無法完全取代人類臨床醫生的智慧。但是，跟聽診器或血壓袖帶一樣，該軟件是幫助醫護專業人員高水平執行工作的一種有用工具。

　　在這種背景下，康耐視VisionPro Deep Learning軟件提供了有用的熱圖功能，其突出顯示了圖像中對于分類非常重要的區域。黃色到紅色區域很重要，而綠色到藍色區域對于決策算法并不重要。

　　在現實世界中，這種熱圖功能使該工具不僅可以為潛在的診斷提供建議(即Covid-19陽性或陰性)，還可以識別出檢測到相應疾病癥狀的區域。這一點很重要，因為它可以幫助放射科醫師在圖像的特定區域進行歸零校正，以使他們能夠驗證或推翻AI診斷，從而防止該軟件工具因錯誤的原因無法做出正確的決策。

　　“我們認為，至少在短期到中期內，AI技術無法進行診斷，”他總結道，“VisionPro Deep Learning軟件可以提出建議，但最終，放射科醫師仍然必須對圖像的含義作出決定。”

　　——Vandenhirtz

　　最后，他補充道，雖然AI技術不會取代放射科醫師，但它將取代不使用AI技術的放射科醫師。