华中科技大学电信学院联合华为云等团队，研发并推出了新型冠状病毒感染的肺炎AI辅助医学影像量化分析系统。 华中科技大学电信学院白翔教授、许永超副教授等负责的华中科技大学-华为智能创新实验室积极发挥自身优势，针对新冠肺炎与华为云等团队共同研发出AI辅助医学影像量化分析系统，目前取得了有效进展。针对患者胸部CT影像中呈现多发小斑片影、多发磨玻璃影、浸润影、肺实变等特点，许永超等提供了基于纹理感知的病灶分割核心算法支持，该算法可实现单病例全自动精准量化结果的秒极输出，大幅提升了诊断效率，减轻医生诊断的繁重负荷。结合临床信息，系统可以辅助医生更高效地区分新冠肺炎的早期、进展期与重症期，有利于早期筛查与防控。同时，对于确诊病人，基于对多次复查影像数据的量化分析，医生能够有效评估病情进展及用药疗效等情况。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

AI心理情绪识别系统1.多模态信号采集：人脸动态图像、脑电信号采集、语音情感检测。2.功能模块包含：情绪检测、情绪档案、数据统计、用户管理、系统设置功能模块。3.系统基于情绪心理学相关理论，结合面部表情的二维情感空间分析技术、脑电信号的状态分析、语音的三维情感空间分析三种模态相互融合叠加技术，检测人心理情绪状态，提高其检测准确度。3.    基于摄像头面部情绪识别技术，可以实时分析人体面部所包含的情绪状态。通过非接触式的实时视采用 AI 人工智能学习技术，结合心理学，通过对被测试人员 60秒的测试，能够获取相关心理/心理指标。帮助被测试人员了解自己的心理健康状况，并且引起人们重视心理健康，从而在工作、学习、生活当中提高身心健康。并且通过定期测试，能够获取个体、准确的进行心理危机预警，显示被测人员心理危机测试报告，提醒心理医生重点关注。用户在进行注册登录后，根据语音提示可直接进入测试界面进行情绪识别。点击测试按钮，调整好站立位置，脸部朝向屏幕，人脸录入即可完成测试，测试完成即可生成测试报告并能打印报告。4    基于脑电生物传感器状态检测、实时展示人体脑波原始状态指标以及Delta、Theta、Alpha、Beta、Gamma等8个EEG参数。5.    采用任务态模式进行语音情感分析，测试者按照系统设定的特定语境信息进行朗读来进行情感分析。6.    检测结束后可实时出具“心理生理状态分析结果报告”，其中包括被测试人员信息、检测时间、12维度心理生理情绪数据，包含正面情绪（平衡、自信心、活力、调节水平），负面情绪（攻击性、压力、紧张、可疑），生理参数（抑制、神经质、消沉、幸福指数），以及综合状态指标：专注度、放松度、疲劳指数、焦虑指数、压力指数、抑郁指数等。7.    统计分析：系统自带数据中心的统计功能，可以按单位进行所有检测人员的压力分布图及重点关注人员的信息显示。8.    检测完成后系统自动生成检测报告，检测报告需包含每项参数的检测数据大小、参考范围、异常数据等，以及用情绪参数雷达图、饼状图、直方图、曲线视图等多种表示方法。9.    信息查询功能：管理员可通过多条件查询功能，只需通过任意一项查询条件即可快速查询出与之对应和匹配的测试者信息，以及该测试者的历史测试记录，并可对该测试者的测试记录进行纵向和横向对比，综合分析该名测试者的心理健康状况。9.用户管理端：以管理员身份登录该系统可对用户进行管理。可进行添加用户、删除用户、查询用户、用户信息修改、密码修改、级别权限设置、单位框架搭建、查看用户报告，以及导出、打印用户报告。10.系统具有特定场合模态设置功能，可关闭和开启语音检测功能。11.视频检测时面部框具有信号质量检测功能，通过不能的颜色在面部框进行彩色状态提示，同时具有人脸检测判别功能，比如面部不全、距离较远等识别功能

影像学检查在新冠肺炎的诊疗中具有非常重要的参考价值，《新型冠状病毒感染的肺炎诊疗方案（试行第五版）》将“疑似病例具有肺炎影像学特征者”作为临床诊断标准，但在临床实践中存在一定局限，疫情爆发导致待阅片数量激增，医生阅片压力巨大；新冠肺炎属于新发疾病，各地医疗机构特别是基层机构缺乏阅片经验，且由于“异病同影”，容易造成漏诊或误诊；该病病程发展快，患者需要接受多次胸部CT检查以监测病情发展、评估治疗效果等，单凭阅片医生肉眼很难快速对比并识别病灶变化。 在接诊量高峰期，亟待建立更精准高效的人工智能影像辅助诊断方法。孙逸仙纪念医院林天歆教授组织医院呼吸内科、急诊科、放射科、大数据与人工智能团队开展科研攻关，在广州再生医学与健康广东省实验室、广东省科技厅的支持下，联合清华大学、澳门科技大学以及广州康睿智能科技有限公司，使用50万份临床影像学大数据，开发了基于胸部CT的新型冠状病毒肺炎AI筛查和辅助诊断系统。 该系统能对新冠肺炎进行快速诊断，判定新冠肺炎的分级和严重程度，协助医疗机构加速辨别感染者，为快速隔离、诊断、治疗争取时间。其优势主要体现在：快速、准确地诊断新冠肺炎。有经验的影像科医生看完1个患者的胸部CT图像约15-30分钟。该AI系统可在20秒内完成1个患者CT图像的检测及诊断过程，诊断准确率达90%以上。进行病情严重程度分级和重症危重症预测功能。该系统可对胸部CT图像每一切面的小结节、磨玻璃影和实变进行自动分割、标注及定量分析，可预测患者的吸氧频率、血氧饱和度、全身代谢情况、其他器官损伤程度，预测病人发展为重症、危重症的概率和时间，以便医生及时干预，降低患者死亡率。协助医务人员进行药物效果评估，指导用药。系统可对同一位患者用药前后的CT图像进行对比分析，通过定量计算病灶在用药前后的变化，判别药物是否有效，指导临床用药。

本项目聚焦于锂电池管理系统在智能化监测与预测中的关键痛点，尤其拟面向电池容量衰减预测、SOC/SOH估计不准、电池剩余时间不准确、MAP/SOP估算等方面。通过引入人工智能算法，构建融合机器学习与深度学习的电池状态预测模型，拟实现高精度SOC（荷电状态）与SOH（健康状态）估计的优化，提升电池管理系统的智能水平与安全性。 解决方案方面，项目基于实地检测磷酸铁锂电池充放电数据构建训练集，采用轻量级线性回归模型及改进型人工神经网络进行建模优化，并结合特征工程技术提高预测精度。同时，设计适用于边缘计算的部署方案，使模型可在BMS嵌入式硬件平台实时运行，降低对计算资源的依赖。 在竞争优势方面，项目成果具备算法轻量化、部署便捷、预测准确度高、兼容性强等特点，特别适用于电力储能、电动汽车等对安全性和可靠性要求高的场景。相比传统BMS方案，该AI算法可显著提升电池使用效率与寿命，精准估算SOC/SOH，降低维护成本。 目前项目成果已在合作企业内部储能设备中开展应用测试，初步反馈表明荷电状态预测准确度提升40%左右，电池健康度准确度提升40%左右，系统响应及时，具备较高实用性和推广价值。专家评审一致认为，该项目在智能电池管理系统方向具有较强的创新性和实际应用前景。

绘画作品的艺术风格包含画像的色彩、纹理、笔触等等，往往很难准确定义。基于深度学习的画像风格迁移让机器自行学习艺术家的作品，使得最终输出的合成图像呈现出与艺术家作品一致的风格。本演示可以把艺术家的风格迁移到摄像头捕捉的图像中，让平淡的图像呈现出不一样的艺术气息。 （The artistic style of a painting, which includes colors, textures, strokes, etc., is often difficult to define accurately. Deep learning-based portrait style transfer allows the machine to learn the artist's work by itself, so that the final output composite image presents a consistent style with the artist's work. This demo can transfer the artist's style to the image captured by the camera, so that the dull image presents a different artistic atmosphere.）

绘画作品的艺术风格包含画像的色彩、纹理、笔触等等，往往很难准确定义。基于深度学习的画像风格迁移让机器自行学习艺术家的作品，使得最终输出的合成图像呈现出与艺术家作品一致的风格。本演示可以把艺术家的风格迁移到摄像头捕捉的图像中，让平淡的图像呈现出不一样的艺术气息。（The artistic style of a painting, which includes colors, textures, strokes, etc., is often difficult to define accurately. Deep learning-based portrait style transfer allows the machine to learn the artist's work by itself, so that the final output composite image presents a consistent style with the artist's work. This demo can transfer the artist's style to the image captured by the camera, so that the dull image presents a different artistic atmosphere.）

四川大学华西医院2020年3月13日对“肺部多病变CT影像AI筛查与辅助诊断系统”进行测试，该系统能迅速高效地对患者胸部CT影像做出分析，发现具有“肺结节、肺癌、结核、病毒性肺炎、细菌性肺炎”等病症的影像特征。 该技术依托于“疾病流行病学大数据研究平台”，在华西生物医学大数据中心的牵头下，汇聚近20家医疗机构的医学研究支持，基于人工智能深度学习技术，数据来自临床确诊病例，数据的遴选、标注由华西医院放射科影像专家完成。技术研发到测试用时不到30天。CT影像是临床诊断包括新冠肺炎在内的肺部病变的重要依据，但一名患者的肺部CT影像数量在500张左右，导致医生诊断过程中工作量很大。 查看原文

项目是国家科技攻关计划“先进控制与优化软件及综合自动化软件平台产业化关键技术”子课题，项目在PCS层（过程控制层）与实时信息集成系统的基础上，实时智能监测与故障诊断专家系统充分利用网络技术、计算机技术、控制技术、通讯技术以及人工智能技术将分散的PCS层信息进行集成，实现信息管理的智能化。系统实现从已有的PCS层通讯网络获得数据，进行高一层次的综合和处理，进行安全监督、故障诊断和预报，而不改变使用人员已经熟悉的操作程序和规则，因而可达到更好的安全监控与管理的效果。