.

田捷、沈定刚、张益肇、王熙的医学影像 AI 观丨CCF-GAIR 2019

雷锋网 · 2019-07-08

摘要:2019年7月14日下午,跟我们一起造访AI医疗专场。

7月12日-14日,由中国计算机学会(CCF)主办,雷锋网、香港中文大学(深圳)承办,深圳市人工智能与机器人研究院协办的全球人工智能与机器人峰会(CCF-GAIR) 将在深圳盛大开幕。

这已经是CCF-GAIR举办的第四个年头。

值得一提的是,去年的【计算机视觉专场】专注于安防与医疗两个热门领域,收获了超高人气。CCF-GAIR 2019峰会期间,雷锋网(公众号:雷锋网)将开设单独的AI医疗专场,延续去年的高水准,为观众提供最新的技术认知和商业方法论。

为此,我们对CCF-GAIR 2018峰会上大咖的精彩观点进行精心摘录,帮助读者进行一次回顾与温习。

田捷:《基于人工智能和医疗大数据的影像组学研究及其临床应用》

田捷教授是中国科学院自动化所研究员、分子影像重点实验室主任。

田捷教授认为,未来的影像中心就像飞机驾驶舱一样,是各种各样信息的综合体;而未来的医生则相当于飞行员,要处理各种各样的信息。

医学角色的多样化,也对医生提出了更多的要求。他说到,未来的影像科医生,不仅仅要会看片子,还要从影像大数据中挖掘大量的潜在知识,学会利用人工智能技术,站在科技潮流的前端,不是惧怕新兴的人工智能技术,而是利用它,使用它,成为新时代下的影像信息学专家。

在演讲中,他提到了影像组学的特征提取。在特征选择上,计算机选择的特征和人眼识别的特征形成了互补关系。如果能用计算机提取高维特征,包括毛刺、分叶等信息,再融合年龄、性别、家族史等信息,肯定是1+N>N,就能实现人机交互、计算机和人协同工作,从而使得医学更为精准。

他表示,选择特征的时候切记要多多益善,特别是把这些高维特征提取得越多越好。还有一个非常重要的点,为什么现在影像组学、人工智能热?就是这些高维特征含有基因蛋白这些微观信息,在这些宏观的影像上的体现,只不过过去人眼提取不了,但现在计算机提取这些信息来进行系统加工,使得预测更加精准。

提取特征之后,还有一项非常重要的工作是降维。田捷教授列举了四类主要特征降维方法:稀疏选择、空间映射、神经网络、递归排除。

田捷教授说,自己经常会跑到美国临床肿瘤学会、美国肿瘤学会的会议上,要到临床医生那里,让他们“折磨”,找出他们能接受的临床效果和临床意义,这时候模型才真正起作用,“我们老在计算机视觉会议上谈我的方法和参数好,我觉得意义不大,当然能写文章,只是把纸变成钱。”

沈定刚:《深度学习在医学影像分析中的应用》

沈定刚教授是美国北卡罗来纳大学教堂山分校终生教授、杰出教授,IEEE会士、AIMBE会士以及IAPR会士。

沈定刚教授率领着一个学术能力强大的团队,实力在智能医疗领域处于国际引领水平。去年,他的团队有20篇论文被医学影像AI的顶级会议MICCAI录取,其中12篇被大会提前录用。论文的研究方向主要是:图像成像、图像配准、老年痴呆症和儿童自闭症的诊断。

从成像方面入手,沈教授研究了如何利用AI技术,实现低成本、快速和高质量的成像,以此发表了4篇MICCAI论文。“一方面是应用AI技术,将质量较差的影像变成质量更好的影像;第二个方面是在具体应用过程中,将病人采集过程中丢失的图像补回来;第三个方面就是快速成像,因为有些模态图像扫描慢、噪声很大,AI技术可以将需要几分钟扫完的图像在几十秒内完成,这将很好提升患者体验。”

在图像配准方面,沈教授的团队研究通过无监督深度学习方法来进行图像配准。在做医学图像分析时,经常要将同一患者几幅图像放在一起分析,从而得到该患者多方面综合信息,提高医学诊断和治疗的水平。对几幅不同的图像作定量分析,首先要解决的就是几幅图像的严格对齐问题。他坦言,图像配准实现起来难度也很大,远远超过图像的分割、诊断。

此外,围绕关于老年痴呆症诊断、儿童脑发育和自闭症诊断的成果,沈教授都已经进行了分享。

沈定刚教授认为,“大家都在讲人工智能,帮助医生诊断,这样的人工智能(Artificial Intelligence AI)其实是辅助智能(Assisted Intelligence AI)。”

他对AI的应用提出了很多中肯的建议。他说,所谓的AI或者深度学习,只是解决问题的一种方法,方法必须为解决问题服务。他也时常告诫自己的学生:这个行业里的研究者,不能光知道深度学习,很多几十年累积起来的经典方法都必须要懂。因为一个方法不可能解决所有的问题,每种方法总有它的局限性。同时,在思路上应该是通过问题找方法,而不是用方法来找问题。

2017年10月,沈教授担任了联影智能联席CEO。他表示,人工智能技术如果只应用在后面的诊断,而不跟影像设备结合起来,总体效果不一定好。创业者要做的是全链条、全栈式的影像人工智能,也就是用人工智能优化从成像到影像的筛选,再到后面的跟踪、诊断、治疗和预后这样一个完整的流程,从而达到最佳诊断效果。

张益肇:《弱监督学习在医学影像中的探索》

张益肇是微软亚洲研究院副院长。27年前盖茨建立微软研究院,其目的之一就是希望让计算机能听、会看、能理解人类,推动计算机领域内所有分支技术的发展,包括计算机视觉、机器学习、语音识别等技术的落地,并以此为微软未来发展提供思路和方向。

作为微软亚洲研究院建立时的第一批人员,张益肇博士早些年从MIT毕业,1999年加入该研究院,从主管研究员一直到副院长。

张益肇分享了一个数据:假如未来超过一半的人寿命超过100岁,对社会医疗系统将是非常大的挑战。现在人口老龄化已经非常严重,通常来说,人的年纪越大医疗成本就越高。假如超过一半人活过100岁,而我们又没有更好的医疗方法,将给社会带来很大的成本。

而解决这个问题就一定要靠技术。如果没有新的技术,就无法给大家提供好的医疗条件,让大家健康快乐地活到100岁。

以病理切片的解读为例。张益肇表示,中国每10万人口中只有不到两位病理医生,美国每10万人中有超过50位病理医生,日本每10万人中也有超过10位病理医生。也就是说,中国的病理医生非常缺乏。我们再看病理医生要做哪些工作:假如一个人不幸患了肺肿瘤,病理医生要把他的切片切成二三十片,然后仔细观察其中哪一类是病变的,是什么样的病变,A、B、C类型病变的百分比各是多少。这个工作很耗时间,另外,训练这样的专业人才也很困难。

人工智能是缓解这类问题的一个重要手段。但是,训练人工智能模型需要标注大量的数据,能够标注医疗影像数据的专家又非常稀缺,时间成本也很高。为此微软亚洲研究院尝试用弱监督学习的方法,提高可被使用的数据量。

面对一个病理切片,通常有三个目标——分类、切割或聚类。病理图片通常很大,一张病理图片可以达到5万X5万像素,甚至更大。他分享了三种训练模型的方法:一是没有标签的训练,这对病理图片来说很难;二是弱标签训练,即利用相对简单的标签学习;三是带详细标签的训练。

张益肇表示,希望通过弱监督学习的方法提高可被使用的数据量,充分发挥机器学习的能力,构建更复杂和精确的模型。 

王熙:《AI在健康医疗中的价值》

飞利浦在AI方面的投入相当大,据飞利浦中国副总裁王熙介绍,飞利浦一年大概有250多个项目是和大数据、人工智能在医疗影像方面的研究相关。同时他也表示,科研型项目的的核心也是为了开发出技术,最终做出产品。

王熙表示,飞利浦AI方面的应用会遇到了很多难点,而飞利浦不是简单地利用相关技术处理医疗的图像,而是真正深刻地理解临床的应用场景,怎么跟临床的路径(治疗、诊断)进行深刻的结合。没有交叉学科知识的互动,很难有真正深刻的理解。

除此之外,CT、核磁,还有一些可穿戴设备产生各种多模态的数据,怎么利用这些额外增加的数据,通过多模态的方式带来更精准的治疗或者诊断,这是相当复杂的一件事。

还有一些非结构化的数据,现在对于肿瘤患者的治疗,一方面它的信息分散在不同的科室,有核磁、CT、病理分析等,如何把这些数据有效地整合到一起,并且展示给医生最核心、最相关的数据,甚至还有一个时间轴的概念。因为在不同的时间轴上,这些病变本身都是不一样的,这一系列非结构化的数据经过了收集、处理,其中包括了一些大数据的分析,也包括了一些其它应用技术的拓展,怎么能够把它真正地结合临床,是相当有难度的。

王熙解释了飞利浦在医疗的数据化转型思路:首先是通过数据的驱动,让数据更有价值。另外,通过深度的学习,消除医生的盲点,筛选与分析同步进行,提高医学影像分析与诊断的效率和准确率,让他们进一步专注在需要关注的点上。飞利浦在全球的核心研究院都会在这些领域做一些深入的探讨,比如说自然语言的处理、深度学习和大数据分析。

他还提到了四维模型。王熙认为,现在光讲3D在很多应用场景里面还是不够的,飞利浦也有一个平台,针对CT、MRI、内窥镜、IGT等多模态的图像,都有相应的三维甚至四维的处理。临床数据能带来很多好处,提升效率,适应实际的环境等等,但是都需要扎根于真正临床的环境当中。

温故而知新。以上,只是四位技术与商业大咖的观点掠影。

今年7月14日下午,雷锋网AI掘金志仍将把目光聚焦在AI医疗,汇集最具代表性的理论、技术派大牛与顶级商业化领袖,为观众提供极具价值的AI医疗前沿方法与观点。

目前,以下嘉宾已确认出席,演讲议题不日揭晓。

TB1uziTXAY2gK0jSZFgXXc5OFXa.jpgTB1GVWRXpY7gK0jSZKzXXaikpXa.jpg
大数据 医疗 深度学习 人工智能
该文章版权归雷锋网网站所有,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责,如涉及作品内容、版权和其它问题,请在30日内联系:dongjing.ldj@alibaba-inc.com