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端了一天的繁忙作业。这位90后的年轻小伙，从2012年在广州医科大学毕业后，就进入了这所医院作业，一干就是十年，目前现已是医院放射科的主管技师。

据医学界核算，2023年，全国医院放射从业人员大约158072人。放射科的医务人员大致能够分为放射技能和放射确诊两类，医院的患者到放射科做查看，首先接触的就是放射技师。近年来，跟着医院面对查看量上升、医疗设备更新缓慢等应战，使用AI技能提升医疗确诊的精确性和效率性，然后解放医师劳动力，成为了医疗职业的火急需求。现实医疗临床中需求写代码的状况并不多见，但有人现已开端探索将AI技能落地到医疗场景中，冯嘉骏便是这个群体里的代表之一。

冯嘉骏在放射科作业

与飞桨结缘纯属偶然

提起与AI结缘，冯嘉骏显得有点腼腆，他用一口纯粹的广东普通话，向咱们回忆了自己开始的“技能求医”阅历。他说，自己高中就对医学产生了浓厚的兴趣，填报高考志愿时考虑到自己性格更像一个“IT技能宅男”，因此终究在医学印象确诊和医学印象技能两个不同方向中选择了医学印象技能专业。

2009年，冯嘉骏考入广州医科大学，自学了网页规划，后来又自学了C言语、Python等核算机编程言语。2019年正值AI比较火爆，他无意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技能，从此对AI的学习热心一发不可收拾。

2020 年初，冯嘉骏正式参加飞桨AI Studio-人工智能学习与实训社区的公开课进行学习，他惊奇地发现本来国内竟然还有这样的自主的、完善的深度学习结构！ 之后一年，冯嘉骏跟着公开课学习，包括图画切割、方针检测、医疗数据标注等知识，跟着对深度学习的认知不断加深，他了解到飞桨能为开发者供给端到端套件，协助开发者0代码开发项目，他所以尝试将所学使用到医疗印象范畴中。2021年9月至2022年9月，冯嘉骏发布了13篇与医疗相关的精选项目。2022年，冯嘉骏参加PPDE方案，成为飞桨社区的指导老师。

PPDE（PaddlePaddle Developer Experts）全称飞桨开发者技能专家，是飞桨开发者的荣誉认证体系，由来自国内外顶尖高校和职业Top企业的技能骨干组成，他们为飞桨AI Studio人工智能学习与实训社区开发者供给专业指导，协助开发者探索AI在各范畴的前沿使用，创造更多的开源项目效果。自2020年5月20日发布方案以来，已有290多位开发者获得了飞桨开发者技能专家认证。

测胸怀比从人工丈量转向核算机视觉

参加飞桨社区后，冯嘉骏结合医学专业相关知识，使用飞桨模型和开发套件，开发了腰椎辅助确诊体系、肺部疾病分类、椎间盘主动重建等多个项目，目前骨龄猜测项目现已使用到他所在的医院科室中，腰椎重建和快速测胸怀比项目也形成了重要的学术科研效果。

他重点介绍了“快速测胸怀比”项目。放射科医师在下确诊之前，会花费不少时刻看医学印象图画，丈量各种数据方针，然后更好地判别患者的病情。测胸怀比是印象确诊中判别心脏是否增大的常用手段，胸怀比是指在X线片上心脏横径与胸廓横径之比，一般成年人正常胸怀比不大于0.5，假如胸怀比大于0.5，阐明心脏有增大的倾向，患者需求去做进一步的CT查看，确认导致心脏增大的原因。

与肺部最大横径，再核算两者比率通常，医院的放射医师手动测胸怀比，一天或许要测四五百张，非常消耗时刻。此外，由于人的肺部是一个不规则的生理结构，不是简略找到点到点的直径距离就能测出来。因此，人工测胸怀比主观性强，简单有差错，或许不同的医师检测出来的成果也并不相同。

冯嘉骏选择使用PaddleSeg 2.0开发东西，完结主动精确丈量胸怀比，终究使得肺部和心脏的医疗图画切割精度成果别离达到了0.978和0.955的精确率。

作为核算机视觉范畴重要的技能之一，图画切割将图画分红若干具有类似性质的区域，是图画语义了解的关键环节。冯嘉骏采纳区域切割方法，基于飞桨图画切割套件PaddleSeg，凭借其高精度和轻量级优势，将心脏和肺部两个器官的横径精确丈量出来，目前该技能现已使用到农田切割、工业机器方针检测、医疗印象切割等范畴。

AI在医疗职业落地遇到难题

冯嘉骏认为核算机视觉技能、PaddleSeg在医学场景中具有广泛的使用场景。因为医学图画大多都与图画切割分不开，除了测胸怀比，其他像触及丈量脑出血量、肺部结节、肿瘤等患病器官的体积和方位时，核算机视觉相同能发挥它的独特效果。

例如，在确诊查看肿瘤的印象中，医师通常要手动把肿瘤的方针数据勾画出来，再进一步提取特征或许建模，现实中对肿瘤方针进行勾画很耗时。假如用一个新AI模型能够主动切割肿瘤，那么，当有新的患者需求猜测，就能直接输入患者数据，完结快速切割方针，进行主动勾画，这就大大节省了医师的时刻。

要知道现实作业中，医师的时刻是非常名贵的。比方，医疗有一种常见的检测项目是骨龄检测，是指各年纪时的骨成熟度，主要用于确诊儿童身高发育等方面疾病。在骨龄检测中，医师核算一个骨龄需求10多分钟，但这个时刻医师能够写好多份报告了，因此骨龄猜测往往是让医师头疼的事情。

察觉到这一痛点后，冯嘉骏依据骨龄图谱做了一个主动猜测的AI东西，凭借飞桨方针检测套件PaddleDetection，将其安装到阅片器电脑上，医师能够从印象体系里获取图画直接进行猜测，这样医师只需求三四分钟就可完结一个结构化的骨龄报告。 尽管自己在医疗范畴进行了不少探索，但放眼整个医疗职业，冯嘉骏坦言，AI在医疗职业中的落地仍面对不少难题。详细而言：

• 一方面是练习数据与现实数据不同很大。人的疾病多种多样，但练习数据大多来自于健康类或常见疾病的数据，实践落地后需求针对医院数据对模型进一步优化。如，一些专科肿瘤医院，肿瘤性患者比较多，而一些大的三甲医院或许外伤类患者比较多，当模型落地到详细医院时，首先需求针对不同医院数据从头对模型进行优化，才能让模型更加精确和贴合实践。

• 另一方面，不同的医疗机构有着不同的印象体系，各个体系之间非常封闭，存在较严重的“数据孤岛”和安全信息维护问题，然后增加了AI医疗设备推行的难度。

冯嘉骏在飞桨AI Studio人工智能学习与实训社区里写下的毛遂自荐是：想使用深度学习东西在专业上有点作为。相信跟着AI技能的发展，未来会有越来越多像冯嘉骏相同的技能专家、程序员、工程师，使用自己的专业技能和对职业的洞悉，投身于AI的落地中，而飞桨也将持续陪同开发者前行，为千行百业的智能化升级注入生生不息的动力。