VisionPro深度学习在识别胸部x光片中的Covid-19图像方面显示了早期前景

当Covid-19大流行开始在世界各地敲响警钟时，康耐视(congnex)的深度学习专家开始思考，他们的技术是否可以帮助医疗专业人员建立有效的防御。

事实证明，这一警报是有道理的:截至2020年9月中旬，Covid-19已经感染了全球近3000万人夺走了近一百万人的生命世界各地的临床医生都面临着类似的挑战:依靠实验室检测来确认Covid病例非常耗时，可能会延误诊断和治疗。x光和其他医学成像技术可以为Covid诊断提供快速确认，但很容易误解这些图像的含义。

康康克斯的深度学习团队看着这些挑战，并意识到他们为自动化和优化生产线构建的软件包可能提供对大流行反应的医疗成像组件的解决方案。

深度学习与医学影像相结合的价值

x光等医学图像对确诊COVID-19至关重要，它为医生和放射科医生提供了可视化证据，证明实验室检测是准确的。此外，深度学习软件可以通过分析成千上万的医学图像并识别反驳或支持诊断的异常情况，从而减轻临床医生的工作量。

只有一个障碍：最受欢迎的开源深度学习工具难以使用，需要大量的编程专业知识。期待医生，放射科医师和其他临床医生等医疗工作者，掌握这些工具是不切实际的。

AI专家团队在康涅尔尼克队举行了克服了这个障碍的基础问题：CoNGEX的工业自动化软件可以提供易于使用的替代方案，可以匹配世界顶级开源深度学习工具的性能吗？

这个假设的开始测试显示了强大的潜力。根据康耐视深度学习专家五人团队的研究，该公司最先进的机器视觉软件的精确度相当于或超过了世界领先的开源深度学习工具。德国必威

这项研究题为“使用深度学习检测胸部X射线的Covid-19：比较康涅克斯VisionPro深度学习1.0软件，开源卷积神经网络，已经引起了主要研究出版商的注意。共同作者是Arjun Sarkar, Joerg Vandenhirtz, Jozsef Nagy, David Bacsa和Mitchell Riley，他们都在康视的生命科学团队工作。

康耐克斯生命科学高级人工智能专家Vandenhirtz表示:“我们很惊讶地发现，该软件可以很容易地区分x射线显示的病理。”“人类几乎不可能找出不同病理的x光图像的差异。五位放射科医生可以对这些图像给出五种不同的意见。”

Vandenhirtz协调了这项研究，以帮助公司将高端机器视觉技术扩展到医疗保健和生命科学领域。全球冠状病毒大流行提供了紧迫性，而COVID-19胸部x光片的大量数据集为该研究提供了测试图像。他聘请了在德国亚琛应用科学大学(University of Applied Sciences)攻读生物医学工程硕士学位的萨卡尔进行这项实验，并在研究报告中总结了他的发现。

Vandenhirtz说，Sarkar使用TensoRFLOF的张力流是一个强大的背景。Tensorflow需要程序员在基于文本的终端接口中构建其模型。相比之下，VisionPro深入学习，具有不需要编程体验的用户友好的GUI。

关于Covid和深度学习研究的建立

康耐克斯的研究基于加拿大安大略省滑铁卢大学的一项研究结果。这项研究题为“Covid-Net：量身定制的深度卷积神经网络设计，用于检测Covid-19胸X射线图像的19例收集了近1.4万张胸部x光片，这些x光片被收集到一个名为COVIDx的数据集中。合著者琳达·王(Linda Wang)和亚历山大·王(Alexander Wong)使用开源深度学习包构建了COVID-Net，这是一个复杂的神经网络，可以分析x射线，学会识别有COVID-19迹象的肺部。

滑铁卢大学的一组研究人员成立了一家名为DarwinAI的初创公司，开发商业深度学习软件，以利用COVID等资源的价值。必威随行版官网Net拥有巨大的潜力，但仍然面临着基本的可用性挑战。

“现在，它只是一种非常技术上的实现，数据科学家可以利用但肯定不是放射科医生或医疗保健工作者，所以它需要包裹在一个适当的应用程序UI中，这相当容易使用，并且没有深入技术的人杠杆，“达尔文首席执行官Sheldon Fernandez在接受CDNET采访时说．

康经记研究人员了解这些限制的含义。对于Codgex的制造业的客户而开发了VisionPro深度学习。其开发商专门设计，使工厂经理和技术人员可以使用深度学习来分析其生产线上的图像，以维护质量控制，并将有缺陷和损坏的产品从市场上保持态度。

例如，在一家汽车工厂，康耐视的机器视觉摄像机会对挡泥板和发动机缸体等零部件进行数码拍照。德国必威VisionPro深度学习扫描这些图像，以发现人类检查人员经常忽略的划痕、凹痕和其他异常情况。提前标记这些缺陷可以提高生产线的生产率，并加强产品质量。它也可以用来分类零件或缺陷，以及定位零件和验证装配件。这些类型的检查任务通常仍然是手工完成的，或者不是全部，因为它们本质上需要人类的判断。

VisionPro深度学习如何在covid数据集上执行

一种被称为F-score的测量方法评估深度学习系统的总体准确性，该系统试图准确预测数字图像上的模式和异常。康耐视的研究人员分析了covid - 19数据集中的近1.4万张x射线图像。图像分为三类:正常、非COVID-19肺炎和COVID-19肺炎。

正如该表比较多个深度学习包所显示的，Covid-net产生强烈的预测结果，从正常图像上的92.6％范围为Covid-19图像的94.7％。VisionPro深度学习做得更好，95.6%的正常x光片和97.0%的COVID-19 x光片。

当然，这只是一项研究。虽然康耐视团队使用了行业标准技术进行研究和统计分析，但其他研究人员能否复制这些结果还有待观察。

Vandenhirtz表示，该公司的主要短期兴趣是向全球医学界介绍这种软件的能力，该软件在CT(计算机断层扫描)扫描上也显示出了很好的结果。它在眼科和数字病理学等领域也很有用，眼科依赖视网膜图像，数字病理学使用组织学切片的显微图像。

Vandenhirtz说，尽管深度学习算法具有所有的能力，但它们不能完全取代人类临床医生的智慧。但是，就像听诊器或血压袖带一样，它是帮助医疗专业人员在高水平上完成工作的有用工具。

在这种情况下，Cognex VisionPro深度学习软件提供了一个有用的热图特性，它突出了图像中对分类很重要的区域。黄色到红色的区域是重要的，而绿色到蓝色的区域对决策算法不重要。

在现实世界中，该热图功能不仅可以为潜在的诊断(即Covid-19阳性或阴性)提供建议，还可以识别检测到相应疾病症状的区域。这很重要，因为它可以帮助放射科医生锁定图像的特定区域，以验证或对抗人工智能诊断，从而防止它出于错误的原因做出正确的决定。

他总结道:“我们不认为，至少在短期到中期，人工智能将能够做出诊断。”“VisionPro深度学习可以提出建议，但放射科医生最终必须决定图像的含义。”

他补充说，人工智能不会取代放射科医生，但它会取代没有使用人工智能的放射科医生。