日前，在世界人工智能云端峰会上，国内首个针对超声设备的动态实时AI检测系统发布，将乳腺智能检测推进到视频实时的AI3.0时代。
作为超声检测的一个具体部位，乳腺自身的特点，加剧了AI的技术研发难度。那么，AI技术如何解决乳腺超声的“超纲”问题？
医疗AI从1.0到3.0算法、数据的变迁
医疗AI从AI1.0到AI3.0的变化，不仅是病种的变化，也在算法、数据成熟程度上难度逐渐增加。
“医疗AI1.0时期主要面向2D影像，因为算法和数据的公开程度又分为两个阶段，第一阶段病种上是以肺结节/眼底等拥有公开数据集的病种为代表的。第二阶段病种上是以乳腺钼靶等病种为代表的。”医准智能首席AI官王子腾介绍。
“医疗AI2.0时期主要面向3D影像，医疗影像中有相当一部分都是一个序列多张图表示三维结构的形式，例如CT和MR。”王子腾说，医疗AI 3.0时期主要面向实时视频，在这个时期，AI将解决没有公开的数据集，也没有现成的算法模型，甚至连数据怎么采集、怎么标注都还未有公认的方法的一类疾病，乳腺超声就是一个代表。
高要求、低现实，超声视频AI研发困难
全国以及全球范围内，对超声问题的探索大多都还着眼于二维影像。“首先，二维静态图像相对容易获得；其次，二维图像的处理算法难度相对较小。”医准智能创始人兼CEO吕晨翀说，但对于实际应用场景来讲，二维图的辅助诊断与临床辅助诊断还有很大差距，二维图病灶信息不够充分，分析的准确性存在天然的瓶颈。
然而，实时视频超声的研发难度更大。
“这是由超声本身的特点和医疗AI行业的现状决定的。首先，超声是一系列连续的视频信号，与传统的放射图像有很大的差异，对此类数据的采集、存储和识别都需要设计一整套的新方法。其次，对于医疗视频的识别，也没有现成的算法可以用，需要设计一个深度学习网络模型可以同时兼顾运算速度和准确率。”吕晨翀介绍，超声研发目前面临的主要的技术难题就是对实时性以及准确率的双高要求，也就是既要达到实时性，同时又要有极高的准确率。
乳腺加剧了AI的技术研发难度
而作为超声检测的一个具体部位，乳腺自身的特点，也加剧了AI的技术研发难度。
“这主要表现在两个方面：首先，乳腺病灶跟脂肪的区分困难。很多时候有些脂肪的某些切面看起来就像病灶，所以临床发现一个可疑病灶之后，通常要充分扫查以及多角度扫查，结合前后多帧影像的信息，综合判断其是否为病灶，以排除假阳性。而对于视频检测算法，由于实时性的需求，它更多的是关注当前接收到的影像，对当前接收的影像进行分析。”医准智能算法工程师马璐说。
马璐介绍，其次，乳腺病灶良恶性判断困难。这个任务在算法中被称为分类任务，医生在对病灶进行良恶性判断的时候，首先要扫查病灶多个切面的信息综合判断；其次，除了关注病灶本身外，还需要结合周边组织的信息，比如病灶后方回声有没有改变、周边的Cooper韧带有没有断裂等，且周边的范围大小因病灶而已。而通常的分类算法只是将病灶部分挖出来进行分析，周边的信息并没有被充分利用。
正是因为超声和乳腺带来的双重困难，乳腺超声视频检测和分类算法的研发之路颇为曲折，市场需求和研发进度上矛盾极为突出。
创造新模型，解决乳腺超声“超纲”问题
“能够解决乳腺超声的‘超纲’问题，是因为我们建立了新的模型，而不是在现有的模型上进行迁移学习或调参等常规方法来训练学习。针对乳腺超声的两个技术难点，提出了自己的解决之道。”吕晨翀说。
针对由于乳腺病灶跟脂肪的区分困难而带来假阳性增加的问题，研发人员在FPN利用多尺度特征的基础上，加入了时间维度信息，并采用3D CNN，同时提取病灶时间维度和空间维度的三维特征，综合以上特征，剔除了脂肪等假阳性。
针对病灶良恶性判断困难问题，研发人员为了获得更加准确的良恶性分类结果，首先，通过病灶各个截面的视频还原出病灶的三维结构；其次，加入注意力机制，将周边组织的特征以不同权重加入到病灶特征中，充分利用了病灶以及其周边信息，获得了更加准确的分类效果。
在解决了如上问题之后，医准智能乳腺超声智能检测系统研发成功。该系统不需要对设备改动，且不需要调整现有工作流程，在医生扫查病人的同时，AI服务器进行实时分析，并在界面进行标记提示，对于仅毫秒级闪现的病灶也能精准抓取，能够有效的避免医生由于视觉疲劳以及视觉敏感度不够而产生的漏诊。
“我们在乳腺超声视频检测和分类算法的探索及突破，证明了此方向的可行性。”医准智能联合创始人兼CTO丁佳表示。
