顱內出血((Intracranial hemorrhage, ICH) 也叫做腦出血、腦溢血、出血性中風/卒中，具有高發病率、高致殘率、高死亡率的特點，是嚴重的健康問題。腦中的血管破裂出血后，會阻斷大腦周圍或內部的血液流動，使大腦缺氧，只需要3-4分鐘，就有可能讓腦細胞開始死亡。

　　對顱內出血做出正確診斷并采取措施對降低殘疾率和死亡率至關重要，而識別出血的位置和類型是其中的關鍵步驟。但是，面對顱內出血這個急診室里的“常客”，醫生們即便練就了一雙“火眼金睛”也會顯得力不從心。按照出血位置，顱內出血分為腦室內出血 (Intraparenchymal)、腦實質性出血 (Intraventricular)、蛛網膜下腔出血 (Subarachnoid)、硬膜外出血 (Subdural) 和硬膜下血腫 (Epidural)。一般而言，面對顱內出血，醫生會檢查患者的腦CT，查找出血的存在、部位和類型，但是單以人眼從醫學影像中快速準確地將病人按病情輕重緩急區分開，既復雜又耗時。

　　圖：腦出血類型

　　近期，騰訊AI Lab在RSNA 2019 AI Challenge上提出的新算法為破解這一困境提供了新的思路。RSNA(北美放射學會)是全球醫學影像學最頂級的會議，引導著全球放射學研究和應用的方向，每年有超過5萬的醫生，研究學者和工業界人員參加。RSNA非常重視AI在影像學的應用，為推動AI在醫學影像學領域的研究和落地，從2017年起，RSNA設立了單獨的AI挑戰賽環節，并成為影像學競賽的圣杯之一。今年RSNA和Kaggle(全球最大的公開數據和機器學習比賽平臺)共同推出顱內出血檢測競賽(RSNA Intracranial Hemorrhage Detection)，任務是開發一個機器學習算法來識別急性顱內出血及其亞型。

　　比賽吸引了來自全球75個國家共計1345多支隊伍、1787位個人參賽者參與，其中不乏出身全球著名醫療機構、醫學實驗室以及各類巨頭公司人工智能實驗室的參賽者，他們使用北美放射學會(RSNA)與美國神經放射學會和MD.ai成員合作提供的豐富圖像數據集來開發解決方案，以快速準確地識別顱內出血患者的出血位置、類型及出血狀態。值得注意的是，在這些競賽數據中存在部分異常的“噪聲”標注信息，參賽者們需要有效處理這一困難帶來的干擾。這個數據集來自多個國家和多個醫療中心，包括來自25998個病人的1074271幅CT圖像，由60名神經放射醫生標注完成。

　　在該挑戰賽中，騰訊AI Lab采用多模型、多階段、多信息融合的方法，通過添加CT圖像的空間信息，融合醫學圖像病變的關聯性，以及有效的數據采樣算法，短時間內從超過一百萬幅腦部CT圖像中找到了顱內出血的病變規律，從1300多支隊伍中脫穎而出，取得了Stage1和Stage2雙榜第一的好成績。

　　圖：騰訊AI Lab團隊“SeuTao”斬獲RSNA 2019 AI Challenge第一

　　通過在不同階段提取出不同的特征信息，如Base CNN階段提取圖像信息，Sequence Model 1 階段融合多張CT slice的空間特征信息，Sequence Model 2階段再次整合圖像信息、空間融合信息以及圖像本身的原始信息，騰訊AI Lab的新算法能夠增強所學習到的模型的泛化能力，提升模型對未知數據的預測能力，從而最終成就了此次奪冠。

　　圖：俄亥俄州立大學Luciano Prevedello教授代表RSNA和Kaggle為騰訊AI Lab代表頒獎

　　這一算法模型未來可應用于顱內出血的診斷與治療當中，提高醫生識別出血位置、類型的效率及準確率，加速腦出血病人病情診斷的整體進程，幫助醫生制定正確的治療方案，節省寶貴的搶救時間，創造一定的經濟價值和社會價值。同時，該模型也可用于腦出血早期癥狀的檢測，作為醫生對腦出血進一步治療的重要依據。此外，技術的可移植性也有望幫助偏遠地區或基層醫療機構對于該病情的診斷和病人的搶救，使更多的腦出血患者收獲“生”的希望。

　　圖：騰訊AI Lab所提出的算法模型

　　從AI導診到AI輔助癌癥早篩，AI技術在醫療行業中的應用已不陌生。技術研發不斷深入的同時，騰訊AI Lab也通過騰訊首款將人工智能技術運用在醫學領域的產品“騰訊覓影”持續對外輸出醫療AI能力。

　　目前，“騰訊覓影”能利用AI醫學影像分析輔助臨床醫生篩查早期肺癌、眼底病變、結直腸腫瘤、宮頸癌、乳腺腫瘤等疾病，以及利用AI輔診引擎輔助醫生對700多種疾病風險進行識別和預測，提高臨床醫生的診斷準確率和效率。

　　與此同時，AI技術在臨床上的有效性也正在被逐步驗證。在北京、上海、廣州、溫州、南寧、德清等地，“騰訊覓影”在學科帶頭人的帶領下分別針對早期肺癌、消化道腫瘤、眼底疾病等進行臨床實驗及科研合作，希望以技術幫助優化醫療資源的不均衡。