资讯 医疗科技
此为临时链接,仅用于文章预览,将在时失效

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

作者:老王
2019/08/29 20:15

2019年8月24-26日,第三届图像计算与数字医学国际研讨会(ISICDM 2019),在西安索菲特酒店召开。研讨会由国际数字医学会与国家天元数学西北中心联合主办,西安电子科技大学数学与统计学院与空军军医大学(第四军医大学)生物医学工程学院联合承办。

雷锋网第三次作为大会首席合作媒体,全程参与ISICDM的报道。

本届论坛中,中国科学院院士徐宗本教授、美国工程院院士John Gore教授,加拿大皇家科学院院士Terry Peters教授,英国皇家科学院院士郭毅可教授,四位院士莅临本次大会。

与此同时,MRI主编(美国工程院院士John Gore教授)、Medical Image analysis主编(耶鲁大学James Duncan教授)、IEEE TBME主编(芝加哥大学潘晓川教授)也会在大会的多个环节中发言。

会议开始前,ISICDM大会发起人、电子科技大学李纯明教授向雷锋网表示,“今天我在现场看到不少比较熟悉的面孔,很多都是往届的观众,前两年他们从全国各地飞到成都,今年又跟随ISICDM的脚步来到西安,这让我非常感动。其实让观众形成参会粘性是一件比较困难的事情,需要组织方在各个环节保证内容的前沿性、新颖度、深刻性和独特性,同时需为多方创造一个绝佳的条件进行跨学科探讨。ISICDM已连续举办三届,在这方面始终没有让讲者和观众失望。我认为这也与我们一直秉承的‘促进理工医交叉融合,激发产学研协同创新’理念密不可分,无论未来的技术趋势如何变化,无论研究方法多么多元,‘理工医交叉融合,产学研协同创新’永远是这一领域发展的生命线,只要我们围绕这一根基不断纵深,它所释放出来的能量密度是无穷无尽的。”

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

在前一天进行的81个专题报告头脑风暴下,8月25日,大会第二天迎来了更多重量级的学术泰斗级人物。当天共进行了9大主题报告,内容包罗万象,从医学成像到图像分析再到临床应用。不少嘉宾也谈到了未来医疗AI的重要研究方向,如机器学习自动化、知识模型、深度学习的正则化等。

会议初始,由西安电子科技大学副校长高新波教授,空军军医大学副校长王生成,ISICDM大会主席之一、加拿大皇家科学院院士Terry Peters教授,美国工程院院士、磁共振成像(MRI)期刊主编John Gore做开幕致辞。

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

中国科学院院士徐宗本

作为此次大会的名誉主席和开场报告嘉宾,中国科学院院士、西安交通大学教授徐宗本发表了题为《医学人工智能与大数据》的演讲。

徐宗本院士谈到,AI从“可以用”到“很好用”,还有很长的路要走。当前的人工智能,更多停留在“人工化“的阶段,而在未来要完成从”人工化“到”机器学习自动化”再到“自主化”的演变。

其中,机器学习自动化是徐院士团队近些年重点探索的方向之一,实现自动化,需让机器自助完成生成数据、自动选择数据、自动产生神经网络结构、自动训练数据和自动切换任务等环节。

随后,他指出了当前医学影像分析的三大技术局限性现状:

1.经验+案例仍是基本模式。

2.医学影像分析主要基于图像处理方法(基础计算机视觉方法),然而通用图像处理技术并不够有效:无法从源头可控与图像分析一体化的角度处理;通常用刚体的图像处理方法处理柔性对象;用二维处理像素的方法处理点云;用常规信息融合方法处理有明显医学意义的多模态(结构、功能、代谢)/多序列问题。

3.疾病辅助诊断主要基于深度学习+大数据,但深度学习也存在诸多问题:用本质需要大样本的技术来解决小样本问题,用不稳健、解决困难的方法来解决具有普适性、需解释的问题。

针对这些问题,徐宗本院士谈到了他们团队正在研究的三大医学影像AI新技术:误差建模原理与低剂量CT成像、模型驱动的深度学习与快速MR成像、分布式医学影像中心系统与技术。

最后,他希望借助这三类新技术,在未来可实现CT剂量因人而异的医疗普惠目标。

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

加拿大卫生科学院院士Aaron Fenster

第二位演讲嘉宾是加拿大卫生科学院院士、西安大略大学教授Aaron Fenster。Aaron Fenster是三维超声发明人以及超声手术导航技术的开创者,2013年,被国际医学物理组织评选为过去50年中世界前50名医学物理学家之一。

Aaron Fenster在大会中介绍到,为了减少操作员对PBSI的依赖,他们团队开发一种三维超声导针跟踪系统,该系统可提高手术导针可视化度、针位精度,并提供修改治疗计划所需的信息。

这套三维超声系统可以提供一个便捷和多用途的方法,在术中使用自动分针技术,提升导针实时可视化的效果。未来,他们将重点聚焦导针分割算法、误差对剂量的影响、MRI到三维超声的管理。

最后,Aaron Fenster为三维超声产学两界提出了个人的建议,希望未来要重视研究不受环境限制、准确评估三维导针轨迹、所有区域导针可视化、以及与所有传统超声系统兼容的方法。

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

加拿大皇家科学院院士Terry Peters

紧接着,加拿大皇家科学院院士、加拿大卫生科学院院士Terry Peters,发表了演讲《Augmented Reality and Ultrasound for Image-guided Interventions》。

作为世界著名的神经与心脏微创手术图像引导科学家,Terry Peters曾多次担任医学影像顶会MICCAI大会主席。

Terry Peters指出,在过去20年中,图像引导手术系统已被广泛应用在外科当中,而增强现实系统可以把计算机生成的2D或3D图像叠加在用户可视的真实世界。

他在演讲中强调,介入治疗应做到通过小切口进入身体、避免大面积伤口、减少感染、提高治疗效果和恢复速度、减少住院时间、增加病人舒适、尽量减少途中的组织损伤等标准。

而在这过程中,则面临着诸多技术挑战,如跟踪、产品审批、器官运动纠正、导航、可视化等问题。

Terry Peters团队建立了一个系统,将患者的心脏搏动MRI与超声波融合,并以3D的方式显示。

相关方案可实现程序运行超声、跟踪和AR显示,满足护理标准,且不需要x射线或x射线造影剂,可为心脏瓣膜介入治疗提供更便宜、便捷的解决方案。

最后,Terry Peters对产学两界的机遇进行了总结和展望:

1.微创影像引导介入是一个快速发展的领域

2.在进行研究投入之前,一定要评估项目是否有高回报

3.是否需要改变商业模式:传统的低成本、低技术产品将无法获得高利润

4.引入不断进步的技术:如可视化/成像:头戴式AR、多光谱MR、超声、改善人机交互界面

5.深入参与人类因素/心理物理研究:开发出让人们更易上手的使用新产品。

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

中国科学技术大学附属第一医院副院长刘新峰

上午场的收尾演讲是《脑血管狭窄的血流动力学评估》,由中国科学技术大学附属第一医院副院长刘新峰发表。

刘新峰谈到,现行血运重建模式有着一定的局限性,通俗讲便是:该治的没治、不该治的治了、额外增加了手术风险。

该治的没治:超过一半的卒中患者,狭窄程度达不到现行的治疗标准。

不该治的治了:北曼哈顿卒中研究显示,7%卒中是由于颈动脉狭窄本身所致。

增加手术风险:现有血管重建的并发症为5%左右。

随后,刘新峰谈到了脑血管病防治工作的关键问题,主要分为以下几个环节:血管评估病例筛选——解剖学狭窄——功能性狭窄:筛选出高风险病例、减少手术并发症。

目前脑血管“功能性狭窄”的评估技术为经颅多普勒超声(TCD)与CT/MR灌注成像,前者的优势是技术门槛低,易于在基层医院推广,缺点是TCD的操作和解释主观变异性较大,诊断的可靠性仍不太理想。

后者CT/MR灌注成像的优点,能准确评估脑组织的氧合代谢情况,而缺点一方面是难以定量评估、设定截断值,另外一方面,也无法定位血管责任病变部位。

于是,刘新峰提出了由TOF-MRA(信号密度比)、QMRA(体积流率)、压力导丝(血流分数)、CFD(血流分数)组成的脑血管“功能性狭窄”的评估新技术。

并详细介绍了脑血管压力导丝评估技术(颈动脉系统)、CFD建模方式、CTA建模计算FFR等方法。以及对新的评估技术进行展望:

1.基于压力导丝评估脑血管狭窄的局限性

-压力导丝技术的推广

-建立压力导丝技术规范

-确立能够有效反映脑血管狭窄本质的血流动力学参数及其参考值

2.基于CFD、影像学与人工智能辅助的功能性脑血管狭窄评估技术应用于 CTA/MRA/DSA/OCT,避免有创性。

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

MICCAI 2019大会主席沈定刚

下午环节,MICCAI 2019大会主席、北卡大学教授沈定刚为听众带来了题为《Learning Brain Functional Networks for Mental Disorder Diagnosis》的演讲。

沈教授是学术界最早将深度学习应用于医学影像领域的科学家之一,从事医学影像分析、计算机视觉与模式识别等领域的研究20多年,目前担任联影智能联席CEO。

在演讲中,沈定刚主要分享了用于精神障碍诊断的大脑功能网络的方法。

他首先介绍了团队在几年前研发的High-Order Functional Connectivity,可实现多层次动态脑网络的重构和分析,增加对精神障碍诊断的敏感度和分类精度。

随后,沈定刚教授讲述了两个重要方法:基于卷积神经网络的静态和动态网络学习、动态脑网络递归神经网络学习。同时,他们团队也把近些年研究出来的方法做成工具包,用于基于大脑网络的疾病诊断。该工具包拥有先进的大脑网络重建、基于脑网络的疾病分类,软件简洁实用。

作为今年MICCAI的大会主席,沈定刚教授在演讲最后简要介绍了即将开幕的深圳MICCAI 2019,今年的论文收录情况,相比于2018年增加了50%,各方面的数据相较以往均有着不错的提升。(近期,雷锋网将发布沈定刚教授与MICCAI创始主席James Duncan教授的专访文,敬请期待)

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

香港浸会大学、挪威卑尔根大学教授台雪成

随后,香港浸会大学、挪威卑尔根大学教授台雪成发表了大会报告《Graph Models for High Dimensional Data and Deep Neural》。

在演讲中,台雪成的演讲内容从“以应用数学的方法做神经网络“、”高维数据的分析“两大方向展开讲述。

台雪成谈到了一个非常重要的话题,即如何将空间正则化添加到CNN中?针对这一问题,他提出了两种方法:一种是在损失函数中添加平滑正则项,其二是使用CRFs和类似的后处理技术。

最终,将空间正则化添加到CNN层后,其并未给计算带来额外的困难,效果十分显著。

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

平安科技美国东部研究院院长吕乐

下午第三位演讲嘉宾为平安科技美国东部研究院院长吕乐博士,他的演讲题目是《New Progresses in Preventive and Oncology Precision Imaging》。吕乐博士曾任美国国家卫生研究院资深科学家、西门子研究院资深科学家;MICCAI、CVPR领域主席。

作为一名与临床医生共同研究项目多年的企业科学家,吕乐博士分享了最近自己团队的5篇重要论文,涵盖了急诊外科盆骨骨折辅助诊断、儿童X光肺炎识别、食道癌放疗CTV分割等应用,论文内容不仅有前沿的理论研究,同时也涉及到了工程落地应用。

以儿童X光肺炎识别为例,我们知道儿童的胸部X光数据往往比较少,而成人的数据量则巨大。因此,吕乐团队开始思考能否用成人的肺炎X片去训练一个神经网络,然后再用这个网络在儿童肺部数据上去做进一步训练。

于是,他们团队进行了三组试验,如果全部使用已有的少量儿童肺部数据去训练模型,模型在实际儿童病例中,AUC面积为0.9753,如果只用成人肺部数据模型,AUC为0.9160,而如果先用大量成人的数据做训练,随后再用模型在儿童的数据集上做二次训练,最终表现可达到0.9851,性能提升较为显著。

而这一背后的方法,则用到了面向任务的无监督对抗网络(TUNA-NET),该网络分为四个部分,分别为:

1.合成逼真的 radio-realistic (一种合成的低剂量X图像)

2.在迁移过程中,保留高维度的类特定语义上下文信息

3.将学习到的真实目标域与合成目标域相似的中层特征进行正则化

4.同时优化目标函数,推广到未标记域

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

中科院计算所研究员周少华

随后,中科院计算所研究员周少华教授发表了题为《Towards Creating a Knowledge’Gap for Deep Learning Based Medical Image Analysis》的演讲。周少华博士曾任西门子研究院首席科学家和高级研发总监,IEEE Trans. Medical Imaging and Medical Image Analysis编委会成员,多次MICCAI和CVPR会议的领域主席。目前他是MICCAI协会理事会成员,将出任MICCAI2020会议的程序共同主席。

“如何在深度学习的框架下,把医学图像分析做的更好?加入知识模型。”这是周少华在演讲开头提出的观点。

当前深度学习在医学领域面临的挑战是,该领域对鲁棒性要求非常高,对识别要求非常准确且速度快,同时有诸多长尾问题需要解决。

虽然深度学习存在的问题诸多,但也有着不少的机遇,一方面,整个行业的数据量越来越大;另一方面,医学图像中蕴藏着丰富的知识如解剖机构、成像原理等。他长期以来一直致力于推进机器学习与知识模型结合的研究前沿。

周少华首先展示了他们团队在几年前利用“机器学习+知识模型”做的一项研究:在影像中,把弯曲的肋骨展平的技术,使得医生阅片速度提升一倍,准确度也有着显著的提升。

随后,他重点介绍了深度学习与知识模型结合的原理与应用。

周少华谈到,深度学习的定义仁者见仁,相比而言,他更加认同深度神经网络是“超级记忆体”这一说法。所以如果在深度学习基础上,再加上知识模型,往往可以达到更好的性能。

为此,周少华团队做了这几方面的研究:其一,在输入端加入知识信息,实现合成输入。其二,在输出端加入知识信息,找到输出变量的有效表达,或在输出变量里加入先验知识和多任务学习。第三,在算法中嵌入知识,从而演化出U²-NET(多任务通用U-NET)、Self-inverse Network(自逆网络)、DuDoNet(dual-domain双源网络)等算法。

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

中国食品药品检定研究院任海萍

大会的最后一个演讲聚焦于医疗人工智能产品的审批。从去年下半年开始,医疗人工智能相关的政策和审批要点不断公布,更多的人工智能产品在临床验证上不断取得突破。值此之际,中国食品药品检定研究院任海萍主任发表了《医疗人工智能质量评估的趋势》的演讲。

任海萍博士指出,当前医疗人工智能治疗评估拟解决的关键点有“数据集如何描述(用户需求)、数据集质量要素如何明确(生产方需求),数据集如何评价(监管方需求)”这三大问题。

随后她重点谈到了AI产品性能检验的几个维度,其中包含了主要风险(漏诊、误诊、过拟合等)、性能检验(在第三方数据集上进行算法测试 、常见指标:灵敏度、特异性、AUC、F-score、精确度、召回率),性能确认(临床试验)。

最后,她对当前的质量评估做出了四点总结:

1.我国人工智能医疗器械标准化工作步入正轨

2.质量评价工作向前瞻性、低成本方向发展

3.AIMDI临床使用阶段的质量评价工作应同步发展

4.人工智能伦理对产品设计的影响值得审视

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

当天的所有大会报告结束后,会议迎来了令人期待的“后深度学习时代的医疗人工智能”主题圆桌讨论。

本次圆桌由中科院计算所研究员周少华教授主持,西安交通大学杨健教授、北卡大学沈定刚教授、纽约州立大学石溪分校教授梁正荣教授、平安科技美东研究院院长吕乐博士、飞图影像董事长胡利荣、中山大学陆遥教授以及东北大学赵大哲教授等人参与讨论。

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

圆桌详细内容与大会主论坛第二日报道,欢迎关注“AI掘金志”公众号后续的推送。

圆桌观点预告:

沈定刚:所有技术都是为实际问题服务,我们在做研究时,首先要有问题,然后再找方法,而不是抱着一堆方法去找问题。将来深度学习一定不会像当前这么热,它不过是个工具,是种方法而已。年轻学者们如果把20、30年来沉淀下来的传统方法用好,往往比深度学习有效得多。如果把深度学习+传统方法融合好,它所发挥的价值更是无穷的。

长按图片保存图片,分享给好友或朋友圈

后深度学习时代,医疗 AI 将走向何方?丨ISICDM

扫码查看文章

正在生成分享图...

取消
相关文章