共计 2690 个字符，预计需要花费 7 分钟才能阅读完成。
早上八点，在广州市第一人民医院南沙分院的放射科里，身穿白大褂的冯嘉骏开始了一天的繁忙工作。这位 90 后的年老小伙，从 2012 年在广州医科大学毕业后，就进入了这所医院工作，一干就是十年，目前曾经是医院放射科的主管技师。
据医学界统计，2023 年，全国医院喷射从业人员大概 158072 人。放射科的医务人员大抵能够分为喷射技术和喷射诊断两类，医院的患者到放射科做查看，首先接触的就是喷射技师。近年来，随着医院面临查看量回升、医疗设施更新迟缓等挑战，利用 AI 技术晋升医疗诊断的准确性和效率性，从而解放医生劳动力，成为了医疗行业的迫切需要。事实医疗临床中须要写代码的状况并不多见，但有人曾经开始摸索将 AI 技术落地到医疗场景中，冯嘉骏便是这个群体里的代表之一。
冯嘉骏在放射科工作
与飞桨结缘纯属偶然
提起与 AI 结缘，冯嘉骏显得有点腼腆，他用一口纯正的广东普通话，向咱们回顾了本人最后的“技术求医”经验。他说，本人高中就对医学产生了浓重的趣味，填报高考意愿时思考到本人性情更像一个“IT 技术宅男”，因而最终在医学影像诊断和医学影像技术两个不同方向中抉择了医学影像技术业余。
2009 年，冯嘉骏考入广州医科大学，自学了网页设计，起初又自学了 C 语言、Python 等计算机编程语言。2019 年正值 AI 比拟火爆，他无心中看到了飞桨举办的“深度学习 7 天打卡营”公开课，接触到 AI 技术，从此对 AI 的学习激情一发不可收拾。
2020 年初，冯嘉骏正式退出飞桨 AI Studio- 人工智能学习与实训社区的公开课进行学习，他诧异地发现原来 国内居然还有这样的自主的、欠缺的深度学习框架！ 之后一年，冯嘉骏跟着公开课学习，包含图像宰割、指标检测、医疗数据标注等常识，随着对深度学习的认知一直加深，他理解到 飞桨能为开发者提供端到端套件，帮忙开发者 0 代码开发我的项目，他于是尝试将所学利用到医疗影像畛域中。2021 年 9 月至 2022 年 9 月，冯嘉骏公布了 13 篇与医疗相干的精选我的项目。2022 年，冯嘉骏退出 PPDE 打算，成为飞桨社区的指导老师。
PPDE（PaddlePaddle Developer Experts）全称 飞桨开发者技术专家，是飞桨开发者的荣誉认证体系，由来自国内外顶尖高校和行业 Top 企业的技术骨干组成，他们为飞桨 AI Studio 人工智能学习与实训社区开发者提供业余领导，帮忙开发者摸索 AI 在各畛域的前沿利用，发明更多的开源我的项目成绩。自 2020 年 5 月 20 日公布打算以来，已有 290 多位开发者取得了飞桨开发者技术专家认证。
测心怀比从人工测量转向计算机视觉
退出飞桨社区后，冯嘉骏联合医学专业相干常识，利用飞桨模型和开发套件，开发了腰椎辅助诊断系统、肺部疾病分类、椎间盘主动重建等多个我的项目，目前骨龄预测我的项目曾经利用到他所在的医院科室中，腰椎重建和疾速测心怀比我的项目也造成了重要的学术科研成果。
他重点介绍了“疾速测心怀比”我的项目。放射科医生在下诊断之前，会破费不少工夫看医学影像图像，测量各种数据指标，从而更好地判断患者的病情。测心怀比是影像诊断中判断心脏是否增大的罕用伎俩，心怀比是指在 X 线片上心脏横径与胸廓横径之比，个别成年人失常心怀比不大于 0.5，如果心怀比大于 0.5，阐明心脏有增大的偏向，患者须要去做进一步的 CT 查看，确定导致心脏增大的起因。
医师手动计算心怀比须要先测量心脏最大横径
与肺部最大横径，再计算两者比率通常，医院的喷射医师手动测心怀比，一天可能要测四五百张，十分消耗工夫。此外，因为人的肺部是一个不规则的生理构造，不是简略找到点到点的直径间隔就能测进去。因此，人工测心怀比主观性强，容易有误差，可能不同的医生检测进去的后果也并不一样。
冯嘉骏抉择应用 PaddleSeg 2.0 开发工具，实现主动精确测量心怀比，最终使得 肺部和心脏的医疗图像宰割精度后果别离达到了 0.978 和 0.955 的准确率。
作为计算机视觉畛域重要的技术之一，图像宰割将图像分成若干具备类似性质的区域，是图像语义了解的关键环节。冯嘉骏采取区域分割办法，基于飞桨图像宰割套件 PaddleSeg，借助其高精度和轻量级劣势，将心脏和肺部两个器官的横径精确测量进去，目前该技术曾经利用到农田宰割、工业机器指标检测、医疗影像宰割等畛域。
AI 在医疗行业落地遇到难题
冯嘉骏认为计算机视觉技术、PaddleSeg 在医学场景中具备宽泛的利用场景。因为医学图像大多都与图像宰割分不开，除了测心怀比，其余像波及 测量脑出血量、肺部结节、肿瘤等患病器官的体积和地位 时，计算机视觉同样能施展它的独特作用。
例如，在诊断查看肿瘤的影像中，医生通常要手动把肿瘤的指标数据勾画进去，再进一步提取特色或者建模，事实中对肿瘤指标进行勾画很耗时。如果用一个新 AI 模型能够主动宰割肿瘤，那么，当有新的患者须要预测，就能间接输出患者数据，实现疾速宰割指标，进行主动勾画，这就大大节俭了医生的工夫。
要晓得事实工作中，医生的工夫是十分贵重的。比方，医疗有一种常见的检测我的项目是骨龄检测，是指各年龄时的骨成熟度，次要用于诊断儿童身高发育等方面疾病。在骨龄检测中，医生计算一个骨龄须要 10 多分钟，但这个工夫医生能够写好多份报告了，因此骨龄预测往往是让医生头疼的事件。
察觉到这一痛点后，冯嘉骏依据骨龄图谱做了一个主动预测的 AI 工具，借助 飞桨指标检测套件 PaddleDetection，将其装置到阅片器电脑上，医生能够从影像零碎里获取图像间接进行预测，这样 医生只须要三四分钟就可实现一个结构化的骨龄报告。 尽管本人在医疗畛域进行了不少摸索，但放眼整个医疗行业，冯嘉骏坦言，AI 在医疗行业中的落地仍面临不少难题。具体而言：
- 一方面 是训练数据与事实数据差异很大。人的疾病多种多样，但训练数据大多来自于衰弱类或常见疾病的数据，理论落地后须要针对医院数据对模型进一步优化。如，一些专科肿瘤医院，肿瘤性患者比拟多，而一些大的三甲医院可能内伤类患者比拟多，当模型落地到具体医院时，首先须要针对不同医院数据从新对模型进行优化，能力让模型更加精确和贴合理论。
- 另一方面，不同的医疗机构有着不同的影像零碎，各个系统之间非常关闭，存在较重大的“数据孤岛”和平安信息爱护问题，从而减少了 AI 医疗设施推广的难度。
冯嘉骏在飞桨 AI Studio 人工智能学习与实训社区里写下的自我介绍是：想应用深度学习工具在业余上有点作为。置信随着 AI 技术的倒退，将来会有越来越多像冯嘉骏一样的技术专家、程序员、工程师，利用本人的业余技术和对行业的洞察，投身于 AI 的落地中，而飞桨也将继续陪伴开发者前行，为千行百业的智能化降级注入生生不息的能源。
