颅内出血（(Intracranial hemorrhage, ICH) 也叫做脑出血、脑溢血、出血性中风／卒中，具有高发病率、高致残率、高死亡率的特点，是严重的健康问题。脑中的血管破裂出血后，会阻断大脑周围或内部的血液流动，使大脑缺氧，只需要3-4分钟，就有可能让脑细胞开始死亡。
对颅内出血做出正确诊断并采取措施对降低残疾率和死亡率至关重要，而识别出血的位置和类型是其中的关键步骤。但是，面对颅内出血这个急诊室里的“常客”，医生们即便练就了一双“火眼金睛”也会显得力不从心。按照出血位置，颅内出血分为脑室内出血 （Intraparenchymal）、脑实质性出血 (Intraventricular)、蛛网膜下腔出血 (Subarachnoid)、硬膜外出血 (Subdural) 和硬膜下血肿 (Epidural)。一般而言，面对颅内出血，医生会检查患者的脑CT，查找出血的存在、部位和类型，但是单以人眼从医学影像中快速准确地将病人按病情轻重缓急区分开，既复杂又耗时。
图：脑出血类型
近期，腾讯AI Lab在RSNA 2019 AI Challenge上提出的新算法为破解这一困境提供了新的思路。RSNA（北美放射学会）是全球医学影像学最顶级的会议，引导着全球放射学研究和应用的方向，每年有超过5万的医生，研究学者和工业界人员参加。RSNA非常重视AI在影像学的应用，为推动AI在医学影像学领域的研究和落地，从2017年起，RSNA设立了单独的AI挑战赛环节，并成为影像学竞赛的圣杯之一。今年RSNA和Kaggle(全球最大的公开数据和机器学习比赛平台)共同推出颅内出血检测竞赛（RSNA Intracranial Hemorrhage Detection），任务是开发一个机器学习算法来识别急性颅内出血及其亚型。
比赛吸引了来自全球75个国家共计1345多支队伍、1787位个人参赛者参与，其中不乏出身全球著名医疗机构、医学实验室以及各类巨头公司人工智能实验室的参赛者，他们使用北美放射学会（RSNA）与美国神经放射学会和MD.ai成员合作提供的丰富图像数据集来开发解决方案，以快速准确地识别颅内出血患者的出血位置、类型及出血状态。值得注意的是，在这些竞赛数据中存在部分异常的“噪声”标注信息，参赛者们需要有效处理这一困难带来的干扰。这个数据集来自多个国家和多个医疗中心，包括来自25998个病人的1074271幅CT图像，由60名神经放射医生标注完成。
在该挑战赛中，腾讯AI Lab采用多模型、多阶段、多信息融合的方法，通过添加CT图像的空间信息，融合医学图像病变的关联性，以及有效的数据采样算法，短时间内从超过一百万幅脑部CT图像中找到了颅内出血的病变规律，从1300多支队伍中脱颖而出，取得了Stage1和Stage2双榜第一的好成绩。
图：腾讯AI Lab团队“SeuTao”斩获RSNA 2019 AI Challenge第一
通过在不同阶段提取出不同的特征信息，如Base CNN阶段提取图像信息，Sequence Model 1 阶段融合多张CT slice的空间特征信息，Sequence Model 2阶段再次整合图像信息、空间融合信息以及图像本身的原始信息，腾讯AI Lab的新算法能够增强所学习到的模型的泛化能力，提升模型对未知数据的预测能力，从而最终成就了此次夺冠。
这一算法模型未来可应用于颅内出血的诊断与治疗当中，提高医生识别出血位置、类型的效率及准确率，加速脑出血病人病情诊断的整体进程，帮助医生制定正确的治疗方案，节省宝贵的抢救时间，创造一定的经济价值和社会价值。同时，该模型也可用于脑出血早期症状的检测，作为医生对脑出血进一步治疗的重要依据。此外，技术的可移植性也有望帮助偏远地区或基层医疗机构对于该病情的诊断和病人的抢救，使更多的脑出血患者收获“生”的希望。
图：腾讯AI Lab所提出的算法模型
从AI导诊到AI辅助癌症早筛，AI技术在医疗行业中的应用已不陌生。技术研发不断深入的同时，腾讯AI Lab也通过腾讯首款将人工智能技术运用在医学领域的产品“腾讯觅影”持续对外输出医疗AI能力。
目前，“腾讯觅影”能利用AI医学影像分析辅助临床医生筛查早期肺癌、眼底病变、结直肠肿瘤、宫颈癌、乳腺肿瘤等疾病，以及利用AI辅诊引擎辅助医生对700多种疾病风险进行识别和预测，提高临床医生的诊断准确率和效率。
与此同时，AI技术在临床上的有效性也正在被逐步验证。在北京、上海、广州、温州、南宁、德清等地，“腾讯觅影”在学科带头人的带领下分别针对早期肺癌、消化道肿瘤、眼底疾病等进行临床实验及科研合作，希望以技术帮助优化医疗资源的不均衡。
