论文解读：AI-assisted CT imaging analysis for COVID-19 screening:
Building and deploying a medical AI system in four weeks
使用二阶段分割，先使用分割网络分割出有病变的肺部组织，然后利用分类网络用于辨别是否是CONVID.
数据：
1.数据从5个医院获得，877个正样本来自武汉，541个来自北京，所有的正样本都是来自确诊的患者，且经过一致性的标注
2.数据层厚0.625mm到10mm不等，81%的数据层厚小于2mm
3.精心挑选了450包含与新冠特征相似的其他肺部疾病的数据作为负样本
数据预处理：
1.对切片进行插值，使得spacing为（1，1，2.5）
2.调整窗宽窗位? 肺部【-150，350】，病变分割和分类【-1024，350】
3.先使用肺部分割模型分割出肺部，作为roi区域
4.将值归一化到【0，1】
5.一些常规的数据增强，如随机翻转，旋转，平移
模型:
文章中分割网络实验了好几种模型（FCN，U-Net, V-Net, 3DUNet++），最终使用的是效果最好的3D UNet++
分类网络也尝试了好几种模型（ResNet-50，Inception network, DPN-92, Attention Resnet50）是用的是Attention Resnet50
模型训练和优化步骤：
1.数据收集
2.数据标注
3.模型训练和评估
4.模型部署
5.不断重复1-4，持续的改进模型的性能
部署：
模型训练：8张Nvidia TITAN RTX GPUs? ?内存：24GB
NVIDIA TITAN RTX
模型部署：2张 Nvidia TITAN X GPU? 内存：12GB
intel xeon e5 2680（8核）? ?&? ?Intel I210 NIC (网卡) & 64G内存
感悟：
这个AI辅助系统之所以能够快速的部署，原因有几点：
1.有一定的AI肺部组织分割基础，前期有做基于AI的肺炎分割工作。在进行分类任务的时候，跟新冠比较像的肺炎样本能够作为负样本，对模型进行训练
2.比较严谨的数据标注，经过培训，然后分组进行标注，直到满足一致性要求，才能算是合格的样本
3.多领域的人才合作，该系统不仅仅只是提供一个AI模型，而是提供了一种AI系统开发的一般性流程。从数据收集，到模型训练，到部署，以及部署之后样例收集， 模型迭代，软件在线更新一整套的流程。这整套需要集结不同领域的人才才能在短期内快速进行部署。
同时，这个一般性的开发流程，对于我们而言，也有比较好的借鉴作用，如下图所示，可以通过从医院收集数据，优化网络模型，同时可以将优化后的系统，通过在线的方式，对系统进行升级。
