早上八點，在廣州市第一人民醫院南沙分院的放射科裏，身穿白大褂的馮嘉駿開始了一天的忙碌工作。這位90後的年輕小夥，從2012年在廣州醫科大學畢業後，就進入了這所醫院工作，一干就是十年，目前已經是醫院放射科的主管技師。
據醫學界統計，2023年，全國醫院放射從業人員大約158072人。放射科的醫務人員大致可以分爲放射技術和放射診斷兩類，醫院的患者到放射科做檢查，首先接觸的就是放射技師。近年來，隨着醫院面臨檢查量上升、醫療設備更新緩慢等挑戰，利用AI技術提升醫療診斷的準確性和效率性，從而解放醫生勞動力，成爲了醫療行業的迫切需求。現實醫療臨牀中需要寫代碼的情況並不多見，但有人已經開始探索將AI技術落地到醫療場景中，馮嘉駿便是這個羣體裏的代表之一。
馮嘉駿在放射科工作
與飛槳結緣純屬偶然
提起與AI結緣，馮嘉駿顯得有點靦腆，他用一口純正的廣東普通話，向我們回憶了自己最初的“技術求醫”經歷。他說，自己高中就對醫學產生了濃厚的興趣，填報高考志願時考慮到自己性格更像一個“IT技術宅男”，因此最終在醫學影像診斷和醫學影像技術兩個不同方向中選擇了醫學影像技術專業。
2009年，馮嘉駿考入廣州醫科大學，自學了網頁設計，後來又自學了C語言、Python等計算機編程語言。2019年正值AI比較火爆，他無意中看到了飛槳舉辦的“深度學習7天打卡營”公開課，接觸到AI技術，從此對AI的學習熱情一發不可收拾。
2020 年初，馮嘉駿正式加入飛槳AI Studio-人工智能學習與實訓社區的公開課進行學習，他驚訝地發現原來國內竟然還有這樣的自主的、完善的深度學習框架！ 之後一年，馮嘉駿跟着公開課學習，包括圖像分割、目標檢測、醫療數據標註等知識，隨着對深度學習的認知不斷加深，他了解到**飛槳能爲開發者提供端到端套件，幫助開發者0代碼開發項目**，他於是嘗試將所學應用到醫療影像領域中。2021年9月至2022年9月，馮嘉駿發布了13篇與醫療相關的精選項目。2022年，馮嘉駿加入PPDE計劃，成爲飛槳社區的指導老師。
PPDE（PaddlePaddle Developer Experts）全稱**飛槳開發者技術專家**，是飛槳開發者的榮譽認證體系，由來自國內外頂尖高校和行業Top企業的技術骨幹組成，他們爲飛槳AI Studio人工智能學習與實訓社區開發者提供專業指導，幫助開發者探索AI在各領域的前沿應用，創造更多的開源項目成果。自2020年5月20日發佈計劃以來，已有290多位開發者獲得了飛槳開發者技術專家認證。
測心胸比從人工測量轉向計算機視覺
加入飛槳社區後，馮嘉駿結合醫學專業相關知識，利用飛槳模型和開發套件，開發了腰椎輔助診斷系統、肺部疾病分類、椎間盤自動重建等多個項目，目前骨齡預測項目已經應用到他所在的醫院科室中，腰椎重建和快速測心胸比項目也形成了重要的學術科研成果。
他重點介紹了“快速測心胸比”項目。放射科醫生在下診斷之前，會花費不少時間看醫學影像圖像，測量各種數據指標，從而更好地判斷患者的病情。測心胸比是影像診斷中判斷心臟是否增大的常用手段，心胸比是指在X線片上心臟橫徑與胸廓橫徑之比，一般成年人正常心胸比不大於0.5，如果心胸比大於0.5，說明心臟有增大的傾向，患者需要去做進一步的CT檢查，確定導致心臟增大的原因。
醫師手動計算心胸比需要先測量心臟最大橫徑
與肺部最大橫徑，再計算兩者比率通常，醫院的放射醫師手動測心胸比，一天可能要測四五百張，非常耗費時間。此外，由於人的肺部是一個不規則的生理結構，不是簡單找到點到點的直徑距離就能測出來。因而，人工測心胸比主觀性強，容易有誤差，可能不同的醫生檢測出來的結果也並不一樣。
馮嘉駿選擇使用**PaddleSeg 2.0開發工具，實現自動準確測量心胸比，最終使得肺部和心臟的醫療圖像分割精度結果分別達到了0.978和0.955的準確率。**
作爲計算機視覺領域重要的技術之一，圖像分割將圖像分成若干具有相似性質的區域，是圖像語義理解的關鍵環節。馮嘉駿採取區域分割方法，基於飛槳圖像分割套件PaddleSeg，藉助其高精度和輕量級優勢，將心臟和肺部兩個器官的橫徑準確測量出來，目前該技術已經應用到農田分割、工業機器目標檢測、醫療影像分割等領域。
AI在醫療行業落地遇到難題
馮嘉駿認爲計算機視覺技術、PaddleSeg在醫學場景中具有廣泛的應用場景。因爲醫學圖像大多都與圖像分割分不開，除了測心胸比，其他像涉及測量腦出血量、肺部結節、腫瘤等患病器官的體積和位置時，計算機視覺同樣能發揮它的獨特作用。
例如，在診斷檢查腫瘤的影像中，醫生通常要手動把腫瘤的目標數據勾畫出來，再進一步提取特徵或者建模，現實中對腫瘤目標進行勾畫很耗時。如果用一個新AI模型可以自動分割腫瘤，那麼，當有新的患者需要預測，就能直接輸入患者數據，實現快速分割目標，進行自動勾畫，這就大大節省了醫生的時間。
要知道現實工作中，醫生的時間是非常寶貴的。比如，醫療有一種常見的檢測項目是骨齡檢測，是指各年齡時的骨成熟度，主要用於診斷兒童身高發育等方面疾病。在骨齡檢測中，醫生計算一個骨齡需要10多分鐘，但這個時間醫生可以寫好多份報告了，因而骨齡預測往往是讓醫生頭疼的事情。
察覺到這一痛點後，馮嘉駿根據骨齡圖譜做了一個自動預測的AI工具，藉助**飛槳目標檢測套件PaddleDetection**，將其安裝到閱片器電腦上，醫生可以從影像系統裏獲取圖像直接進行預測，這樣醫生只需要三四分鐘就可完成一個結構化的骨齡報告。 雖然自己在醫療領域進行了不少探索，但放眼整個醫療行業，馮嘉駿坦言，AI在醫療行業中的落地仍面臨不少難題。具體而言：
-
一方面是訓練數據與現實數據差別很大。人的疾病多種多樣，但訓練數據大多來自於健康類或常見疾病的數據，實際落地後需要針對醫院數據對模型進一步優化。如，一些專科腫瘤醫院，腫瘤性患者比較多，而一些大的三甲醫院可能外傷類患者比較多，當模型落地到具體醫院時，首先需要針對不同醫院數據重新對模型進行優化，才能讓模型更加準確和貼合實際。
-
另一方面，不同的醫療機構有着不同的影像系統，各個系統之間十分封閉，存在較嚴重的“數據孤島”和安全信息保護問題，從而增加了AI醫療設備推廣的難度。
馮嘉駿在飛槳AI Studio人工智能學習與實訓社區裏寫下的自我介紹是：想使用深度學習工具在專業上有點作爲。相信隨着AI技術的發展，未來會有越來越多像馮嘉駿一樣的技術專家、程序員、工程師，利用自己的專業技術和對行業的洞察，投身於AI的落地中，而飛槳也將持續陪伴開發者前行，爲千行百業的智能化升級注入生生不息的動力。