复旦大学附属（shǔ）华山医（yī）院感染科（kē）主（zhǔ）任张文宏教授曾提及，医疗人工智能最为成熟的（de）智能影像（xiàng）识别（bié）（CT图像识（shí）别）在（zài）防疫中（zhōng）做出了重要贡献（xiàn）。

他认为，AI在医疗机（jī）构的应（yīng）用，在（zài）检测体（tǐ）系（xì）的应（yīng）用，归根结底是线下和线上（shàng）数（shù）据融合，并能（néng）够（gòu）为公共卫（wèi）生系统提（tí）供（gòng）实时预警。

受到集中（zhōng）于2016-2017年人工智能投资热潮的影响的结果（guǒ），至（zhì）少多达70-80家的（de）企业参与（yǔ）智能医学影像研发，但（dàn）真正（zhèng）能（néng）实现（xiàn）技术落地的企业（yè）却是屈指可数（shù）。

此（cǐ）前，GE医疗首款人工智能CT设（shè）备APEX CT正式推出（chū），配合GE独有的全数（shù）控QUANTIXTM高能球管，搭载了通过深度（dù）神经网络训练（liàn）开发出的人工智能（néng）CT图像处理技术TrueFidelityTM，让每一（yī）次扫描都（dōu）能获得以往（wǎng）CT设备（bèi）无法（fǎ）比拟的高清图（tú）像质量。

对于医生来说，越高像素（sù）的成像、还原真实的效果越好，就（jiù）好（hǎo）比千万像（xiàng）素摄像头捕捉到的、还原（yuán）真实的效果，为医生（shēng）提供更有利于精准（zhǔn）诊断的信息。

对患者而言，一个是辐射更低、更安全，一（yī）个是医（yī）生诊断更（gèng）精准、减少（shǎo）漏诊的可能性，患者更安心。

相比（bǐ）传统CT图像（xiàng）对腹部检（jiǎn）查一般都选择5mm厚层（céng）重（chóng）建，TrueFidelity可对任意体型（xíng）任意部位的检查进行0.625mm的（de）薄层图像重建，真实还原图像的解剖细节和纹理（lǐ），提（tí）高微小病灶的（de）发现（xiàn）几率，有（yǒu）助（zhù）于早（zǎo）诊早治，极大提高医生的诊断信心。

尤其是对于天然对比度低（dī）的组织结（jié）构，比如腹部成（chéng）像，TrueFidelity的诊断优势尤为明显，并为临床诊（zhěn）断带来了（le）显著突（tū）破。

在四川大学华（huá）西医（yī）院提供的（de）临床测试中（zhōng），应用了TrueFidelity的图像下完（wán）全（quán）达（dá）到了常规的诊（zhěn）断标准（zhǔn），解决了超低剂（jì）量CT扫描（miáo）导致的噪（zào）声太大（dà）无法诊断的问题，且最低只需10%的辐（fú）射剂量，就得到了（le）TrueFidelity真理图像。

北京儿童医院的测试（shì）病例也显示，经过TrueFidelity，任意扫描0.625mm薄层重（chóng）建，空间分辨率能提高8倍（bèi），1.25mm微小（xiǎo）病（bìng）灶（zào）检（jiǎn）出率提升50%，最终额外发现（xiàn）了3个（gè）之前看（kàn）不到的（de）微小病灶（zào）。

10年迭代，AI技术的创新诉（sù）求

长久以来，CT射线（xiàn）的潜在风险始（shǐ）终（zhōng）是医疗（liáo）专家和患者最为（wéi）担忧的，如何平衡（héng）图像质量（liàng）和辐射剂（jì）量（liàng）是CT影像发展永恒的两难。

因为，CT照出（chū）来的片子（zǐ）并不是直接（jiē）投射出来的，而是经过复杂的设备，从不同的角度（dù）扫（sǎo）描人体之（zhī）后，必须再（zài）借助计（jì）算机（jī）的处理形成纹理，医生才有读懂它的可能。

其中（zhōng）的关键就（jiù）是（shì）计算机处理这些数据（jù）的方（fāng）式——算法。

因此，而重建算法的出（chū）现与不断升级，就是为了更好地解决这个问题（tí）。

第一（yī）代CT图（tú）像（xiàng）FBP算（suàn）法（fǎ）的缺陷是，如（rú）果射线量不（bú）足（zú），算法重建下的图（tú）像质量就会明显（xiǎn）降（jiàng）低，但射线量过高，对患（huàn）者的辐射损（sǔn）伤太（tài）大。

第二代CT图像算法可以在射（shè）线剂量低的（de）条件下，通过算法（fǎ）弥补射线（xiàn）信号的不足，但（dàn）图像中的高（gāo）频信息会（huì）被扭曲和丢失，就（jiù）好像用美（měi）颜相（xiàng）机过度（dù）磨皮，图像的真实性难以判断，给医生的（de）精准诊断（duàn）加大了难度（dù）。

迭代（dài）算法推出10年来，一直在不（bú）断（duàn）改进，但由于其自身的局限性（xìng），医生的接受度并不理想，在实际工作中的使用频次也（yě）并不高。

尤其是近年来，越来越多的证（zhèng）据表明，迭代算法（fǎ）存（cún）在的局限性在临床上表现得愈（yù）发明（míng）显。

特别是低对比（bǐ）度的诊断任务，如（rú）肝（gān）转（zhuǎn）移或胰腺（xiàn）占位性病变的检出，迭代算（suàn）法（fǎ）会导致低对比（bǐ）度结构的（de）空（kōng）间分辨率下降，降低病灶的可检测性。

为（wéi）此，如何实现低剂量、低噪（zào）声（shēng）、自然纹理的三者兼得，成为彼时CT重建（jiàn）算（suàn）法（fǎ）亟待突破的（de）一大瓶颈。

低（dī）剂量、低噪声、真实图（tú）像（xiàng）纹理三者兼得（dé）

虽然高端（duān）CT设（shè）备通过一系列硬件的提升（shēng），加之（zhī）影像（xiàng）重建（jiàn）技（jì）术的优化，不断改善了诊断（duàn）效能，但始终无法突破影像过度平（píng）滑的技术限制。

GE医疗深耕CT领域40年，不（bú）断积累经验（yàn）的同时进行技术创（chuàng）新，如今更是通（tōng）过深度神经网（wǎng）络训练开发出（chū）了（le）人工智（zhì）能CT图像处理技术打破此前的迭代算法限制。

不同（tóng）于（yú）其他深（shēn）度学习算法以迭代图像作为训（xùn）练目（mù）标，GE医疗使用（yòng）的（de）是高质（zhì）量（liàng）、高剂量的FBP图（tú）像来（lái）训练深度神经网（wǎng）络，也就是医（yī）生口中（zhōng）的（de）“ground truth”作为训练集，极大保证了最终（zhōng）训（xùn）练结果的准确度，可（kě）将低剂量（liàng）的CT扫描数据还（hái）原成高质量的（de）FBP图像。

传统基于机器学习的（de）迭代（dài）算法，高度依赖专家（jiā）经验，需（xū）要人（rén）工设计（jì）模型和（hé）确定（dìng）、优化提取特征，对提取数量也有（yǒu）一定限制，不能超过人（rén）脑处理的极限，否则模型的（de）准（zhǔn）确性也会达到瓶颈。

然而（ér）基于深度学习（xí）的重建（jiàn）算（suàn）法，无需（xū）人为操作，自动优化深（shēn）度神（shén）经网络（luò），可调节的参数也是迭代（dài）算法的一（yī）万（wàn）倍，并（bìng）基（jī）于大量极端和案件案例作为验证（zhèng）数据集，保证模型的泛化准确性。

且随着数据量的增加，模型（xíng）准（zhǔn）确性不断提升，重建速度可适（shì）用（yòng）于常规（guī）和（hé）急诊需求，不会因去除（chú）噪声而导（dǎo）致微小病灶遗漏。

深度学习重建（jiàn）算法的出现，可谓完美地解（jiě）决了一直困扰CT的难（nán）题，能（néng）够实现低剂量、低噪声（shēng）和真实（shí）图像（xiàng）纹理三者兼得。

通（tōng）过这种深度神经网络训练（liàn）开发出的人工智能CT图像处理技术TrueFidelity，是经FDA批（pī）准的业界首个（gè）还原原始图像的深度学习CT影像重建算法。

一（yī）直（zhí）以来，医学的真谛，就是透过表象，看到真理，而人工智能（néng）等科学（xué）技术手段，正是（shì）撬开真理大门的钥匙。

以TrueFidelity为代表的深度学习重（chóng）建算法，突破了医（yī）学影像始终无法（fǎ）突围的重建算法门（mén）槛，开启了CT技（jì）术人工（gōng）智（zhì）能元年，更为人类打（dǎ）开了通（tōng）往精准医疗（liáo）的捷（jié）径，为更（gèng）智能、更精准（zhǔn）的医学影像诊断开创（chuàng）了无限可能。