加州大学圣地亚哥分校医疗中心借助 AWS 在 10 天内部署人工智能成像模型

当 2020 年春 COVID-19 新冠肺炎疫情袭击美国时，加州大学圣地亚哥分校医疗中心的研究人员已经开发了一种图像识别模型，使用机器学习来识别难以检测到的肺炎病例。由于肺炎正迅速成为 COVID-19 患者严重感染的主要指标之一，加州大学圣地亚哥分校医疗中心临床研究信息员 Mike Hogarth 博士请 Amazon Web Services（AWS）帮助建立一个系统，在临床环境中应用该模型，使医生能够在诊断和治疗中使用这些信息。

在医疗机构中使用患者档案和信息时，数据安全至关重要。应用人工智能模型的系统需要使加州大学圣地亚哥分校医疗中心符合在临床环境中使用的 HIPAA 的严格规定。加州大学圣地亚哥分校医疗中心过去在 AWS 上建立过类似的合规解决方案，这一经验使加州大学圣地亚哥分校医疗中心团队能够在短短 10 天内使用 AWS 构建出所需的系统。

加州大学圣地亚哥分校医疗中心是全球排名前 15 位的研究型大学之一。加州大学圣地亚哥分校医学院每年进行数百项临床试验，加州大学圣地亚哥分校医疗服务研究中心专门收集和分析健康结果数据以支持研究。2018 年，加州大学圣地亚哥分校医疗中心的一个团队，在加州大学圣地亚哥分校医学院放射学副教授 Albert Hsiao 博士领导下，开发了一种利用机器学习在 X 射线图像中检测肺炎的方法。“我们创建了彩色编码的概率图，用来表明肺炎的不确定性或确定性。”Brian Hurt 博士，Hsiao 博士团队中的一名住院医师如是说。Hsiao 博士说：“一般是创建一个模型，仅仅简单输出“是”或“否”，表明是肺炎还是不是肺炎。但是我们认为，生成图像当中，很重要的一点就是突出显示异常所在的位置。” 该团队在 2020 年初发表了一篇关于研究结果的论文。

加州大学圣地亚哥分校医疗中心曾使用过 AWS 为研究数据创建安全、符合 HIPAA 标准的环境。“我在加州大学圣地亚哥分校医疗中心的第一份工作是创建一个能计算受保护的健康信息的环境，并在必要时转移这些信息。”Hogarth 博士表示，“我们团队和 AWS 每周都会开会讨论如何优化模型，当 COVID-19 疫情肆虐时，AWS 主动提出帮忙，询问我们有什么想法。” Hsiao博士的团队建立的模型立刻浮现在脑海中。

我们的目标是实施一个系统，从临床环境中提取 X 光片，对 X 光片运行模型，并快速返回结果以辅助诊断。“像我们这样的实验室创建的许多模型前景很好，但如果不将其实际纳入临床工作流程，就不会发挥太大作用。”Hsiao 博士表示。这一系统的实施可能会影响 COVID-19 患者的诊断、治疗和预后。“COVID-19 肺炎的发现与任何其他病毒性肺炎的发现基本相同。”Hsiao 博士表示，“Brian 训练的模型针对 COVID-19 很有效，总体上能很好地进行肺炎检测。” 该模型有两方面作用。首先，如果模型在 X 射线图像中检测到肺炎，会提示进行检查，如果先前可能出现了假阴性测试结果，则会提示重新检测。其次，在已知感染的患者中，在 X 光片上发现肺炎，则会指示疾病的严重程度和预后，为治疗提供信息。

加州大学圣地亚哥分校医疗中心研究团队已经建立了模型，用于拍摄图像并使用叠加彩色编码返回图像。只需要一个连接到临床成像系统的云解决方案，该模型就可以接收图像并将图像直接输出到患者档案中，便于医疗人员访问和查看。该团队已经在 AWS 上创建了符合 HIPAA 的环境，因此能够在短短 10 天内启动并运行该项目。“该模型在 AWS 上运行的第一天就处理了大约 400 张 X 光片，几乎没有出现任何故障。”Hogarth 博士表示。在实施后的 6 个月内，该模型以每张 3-4 分钟的速度处理了 65000 多张 X 光片。

该模型作用很大，能够在治疗时向医生提供信息，AWS 则对该模型得以实施且易于维护发挥了至关重要的作用。Hogarth 博士说：在加州大学圣地亚哥分校健康中心的一个由 500 人组成的信息技术团队中，每一位成员都有职责验证该模型在 AWS 环境中是否仍然符合 HIPAA 和其他法规。在实施 Hsiao 博士的团队在临床环境中创建的模型时，主要需要 Amazon Elastic Compute Cloud（Amazon EC2）实例。该环境提供了团队所需的安全配置，并且可以根据计算容量的增加轻松调整大小。

美国急诊医师学会官方期刊（Journal of the American College of Emergency Physicians Open）最近发表的一篇论文表明，实施该模型在 20％ 的情况下影响了临床决策。“我们知道极少事物能真正影响临床决策。”Hsiao 博士表示。该模型的初始准确率为 86％，该团队将很快部署一个更精确的版本，新版本可以识别因为处于心脏后方而难以发现的肺炎病例。

在现有床边诊疗工作流程中对基于机器学习的临床决策支持进行评估是一件重要的事情，但很少有人做到。尽管对这种图像分析工具的评估仍处于起步阶段，但有传闻证据表明它正在产生积极影响。最近，一名 78 岁的患者因发烧和腹痛住院。医生并未考虑诊断 COVID-19，但该模型在胸部 X 光检查中显示肺炎迹象。于是，他们对病人进行了检测，结果发现病毒呈阳性。

Hsiao博士的团队计划继续研究并完善该模型，但是在治疗时评估机器学习和人工智能算法的想法也有可能应用于其他广泛的医疗保健研究。“对我们来说，这是一条数据和决策支持途径。”Hogarth 博士表示，“我们已经用这些图像演示了如何使用这一途径，但可能还有许多其他应用程序可用。”