“現階段醫生需要在大量影像數據中快速診斷出新冠肺炎的病例，此外還需要診斷出病灶分布的位置、大小等來評估嚴重程度?！毖ο蜿柦榻B，針對臨床的現實需求，團隊將設計目標定位于“肺炎分類鑒別”和“關鍵病灶檢測”兩大功能，前者是為區別健康狀態、新冠肺炎、其他病毒性肺炎、細菌性肺炎，后者則為找到并分隔出磨玻璃影等病灶區域。

針對這些需求，團隊設計診斷算法模型，讓機器利用模型進行訓練，學習不同類型肺炎在CT影像表現上的不同特征，最終具備智能輔助診斷的能力。而這需要突破小樣本學習、小目標檢測等多個技術難題。

“小樣本學習”即在較少訓練數據樣本的條件下進行機器學習。在疫情發生前期，能夠獲取的新冠肺炎影像數據相對較少，且由于一線影像醫生任務繁重，無法獲得大量專家標注，因此需要算法在少量樣本的條件下“自學成才”。

為此，團隊采用基于自遷移學習的半監督學習等技巧，使算法具備一定的“小樣本學習”能力，在不增加醫生標注工作量的情況下較好地提高了算法模型的普適性。

由于CT影像切片中的病灶區域有大有小，且往往大中小病灶區域面積懸殊，如何使算法能同時檢測大、中、小各個目標是另一大難題。

團隊利用神經網絡的層次性特點與病灶區域的大小進行對應，“網絡的底層關注細節，即小病灶區域，而網絡中層到高層所關注的病灶區域則越來越大，因此模型通過不同層次的加權和融合，最終便能達到同時檢測大小病灶區域的目標。”薛向陽解釋道。

“不過，即便有診斷‘神器’，影像科醫生也是不可替代的。”薛向陽說，人是復雜的機體，病毒在不同人體內感染的反映也不一定相同?！彼硎荆斢龅綑C器未曾學習過的微小病變或疑難病例時，仍需要影像醫生的經驗和智慧。

以解決實際問題為目標，該項目在研究過程中始終與臨床應用緊密結合。無論是機器學習數據，還是測試評估數據，都來源于臨床真實病例。在算法模型定型過程中，為了檢驗模型的準確率和泛化性，團隊也利用現實疑似病例進行了測試。