MICCAI（Medical Image Computing and Computer Assisted Intervention）始于1998年的麻省理工學(xué)院，第一屆開辦時，參與學(xué)術(shù)交流的學(xué)者僅400人。時至今日，MICCAI已成為醫(yī)學(xué)影像分析行業(yè)的頂級學(xué)術(shù)會議。據(jù)會方統(tǒng)計，本次大會上，全球各地總共2400多名學(xué)者來到了深圳，共同探索醫(yī)學(xué)影像的發(fā)展。
劇變不僅僅發(fā)生于參會人數(shù)的變化之上。從論文收錄狀況看，2019年MICCAI的論文接收量突破1000篇，相比于2017年，這個數(shù)字翻了一倍有余，而最終的收錄數(shù)量也達(dá)到了538篇。
同樣令人振奮的是國內(nèi)巨頭及醫(yī)療AI初創(chuàng)公司的崛起。根據(jù)不完全統(tǒng)計，騰訊覓影有8篇論文被收錄；聯(lián)影智能有7篇論文被收錄；視見科技有6篇論文被收錄；深睿醫(yī)療有5篇論文被收錄；華為云有3篇被收錄；圖瑪深維、致遠(yuǎn)慧圖、浙大睿醫(yī)均有3篇論文被收錄；阿里達(dá)摩院有1篇被收錄（論文內(nèi)容簡介見文末）。
MICCAI 2019大會主席、聯(lián)影智能聯(lián)席CEO沈定剛表示：“去年國內(nèi)企業(yè)被收錄的論文數(shù)量接近20篇，今年的數(shù)字大概在40篇，而國內(nèi)被收錄的論文總數(shù)應(yīng)該在150篇這個水平。相對于往年，我們能夠看到中國的醫(yī)學(xué)圖像研究實力增加非常快。”
在這些論文之中，“智能”是一個繞不開的詞?？梢灶A(yù)見，在未來的幾年內(nèi)，“影像智能”將持續(xù)成為醫(yī)學(xué)影像界的重要話題。
多人工智能占領(lǐng)醫(yī)學(xué)影像領(lǐng)域崎作
“Deep learning dominates everything.” Inria研究主管Nciholas Ayache在MICCAI 2019的采訪之中發(fā)出感嘆，用一句話精煉概括了MICCAI的盛況。
相比于產(chǎn)業(yè)界，學(xué)術(shù)界似乎對醫(yī)學(xué)人工智能的未來抱有更多期待與憧憬。環(huán)顧會場走廊，參與展覽的500多篇論文大都使用了卷積神經(jīng)網(wǎng)絡(luò)相關(guān)算法，其內(nèi)容既包括用深度學(xué)習(xí)重構(gòu)影像工作流，又包括對單個病種的CT、病理等影像進(jìn)行優(yōu)化分析。
騰訊、聯(lián)影智能、深睿、視見等企業(yè)的入選論文均在會場展示
那么，這些論文是否反應(yīng)了未來學(xué)術(shù)的研究趨勢？人工智能的廣泛應(yīng)用是變革的一方面，更重要的是，各行業(yè)的技術(shù)正涌入醫(yī)學(xué)影像領(lǐng)域。對此，IEEE TMI和Medical Image Analysis期刊編委會成員、CVPR和 MICCAI 的領(lǐng)域主席、MICCAI2020程序委員會聯(lián)席主席周少華提出了未來人工智能三個可能發(fā)展的方向。
第一個方向是聯(lián)邦學(xué)習(xí)（Federated Learning），這項“舶來技術(shù)”正成為醫(yī)學(xué)影像數(shù)據(jù)隱私問題的重要解決手段。聯(lián)邦學(xué)習(xí)過去由谷歌最先提出的學(xué)習(xí)方式，原本用于解決安卓手機(jī)終端用戶在本地更新模型的問題，其設(shè)計目標(biāo)是在保障大數(shù)據(jù)交換時的信息安全、保護(hù)終端數(shù)據(jù)和個人數(shù)據(jù)隱私，廣泛運(yùn)用于保險行業(yè)的人工智能算法學(xué)習(xí)。
醫(yī)療行業(yè)面對同樣嚴(yán)重的隱私問題，數(shù)據(jù)不能出院，而許多人工智能也進(jìn)不了醫(yī)院。隱私的泄漏風(fēng)險很大程度上阻礙了人工智能的發(fā)展。
在醫(yī)療健康領(lǐng)域推進(jìn)智慧醫(yī)療的過程中，病理報告、檢測結(jié)果等病人隱私數(shù)據(jù)常常分散在多家醫(yī)院、診所等不同地區(qū)不同類型的醫(yī)療機(jī)構(gòu)，聯(lián)邦學(xué)習(xí)使機(jī)構(gòu)間可以跨地域協(xié)作而數(shù)據(jù)不出本地，多方合作建立的預(yù)測模型能夠更準(zhǔn)確地預(yù)測癌癥、基因疾病等疑難病。
第二個方向是深度學(xué)習(xí)自動化。周少華表示：“深度學(xué)習(xí)本身還是需要很多人工東西，比如建設(shè)數(shù)據(jù)人工標(biāo)準(zhǔn)，設(shè)計網(wǎng)絡(luò)架構(gòu)，設(shè)計損失函數(shù)。這些人工的東西是否能由機(jī)器來完成呢？以現(xiàn)在的人力數(shù)據(jù)處理速度，難以實現(xiàn)從點到線的突破，即只能單點解決問題。所以，深度學(xué)習(xí)也需要自動化，現(xiàn)在很多的學(xué)者也在研究這個問題?！?/span>
第三個方向是通用表征學(xué)習(xí)。問題仍然出在數(shù)據(jù)上，即在實際中，許多關(guān)聯(lián)項目各自擁有一定量的數(shù)據(jù)，但這個數(shù)據(jù)難以支撐有效的算法，那么我們是否可以尋求一種通用的學(xué)習(xí)方式來同時進(jìn)行所有的任務(wù)？
通用表征學(xué)習(xí)的好處在于：若存在任務(wù)較多，但每單個任務(wù)數(shù)據(jù)有限時，把這些任務(wù)和數(shù)據(jù)整合在一起或許可以獲得更好的表達(dá)。這將技術(shù)能夠一定程度上解決數(shù)據(jù)缺乏和多任務(wù)并行兩個問題。
軟硬結(jié)合是大勢所趨，從以聯(lián)影為代表的器械巨頭中看初創(chuàng)AI的發(fā)展機(jī)會
軟件如何發(fā)展固然重要，但作為這些算法的載體，醫(yī)療影像器械同樣需要力量支持。
沈定剛教授在MICCAI 2019的Workshop中曾點明的器械發(fā)展的整體趨勢，即由單模態(tài)、單流程向多模態(tài)，全流程不斷進(jìn)步，而人工智能技術(shù)將在其中發(fā)揮至關(guān)重要的作用。
在很長的一段時間內(nèi)，影像設(shè)備的發(fā)展是單一的縱向發(fā)展，即從單參數(shù)影像向多參數(shù)影像靠攏；由低排數(shù)向高排數(shù)發(fā)展。這樣帶來的結(jié)果是醫(yī)生診斷的準(zhǔn)確率越來越高，但單位時間內(nèi)需要處理的數(shù)據(jù)也就越來越多，實際上提高了醫(yī)生工作的總量。
而人工智能的發(fā)展則推動了影像設(shè)備的橫向發(fā)展，即將過去單個的照片環(huán)節(jié)、導(dǎo)航環(huán)節(jié)、診斷環(huán)節(jié)、治療環(huán)節(jié)等諸多環(huán)節(jié)連成一個整體，出具全棧式的方案。這種變革為醫(yī)生帶來的不僅僅是效率上的提升，更是工作模式的轉(zhuǎn)變——將醫(yī)生從機(jī)械勞動中解放出來，去進(jìn)行更有價值的勞動創(chuàng)造。這正是聯(lián)影智能所做的事，將優(yōu)質(zhì)的硬件與不斷推陳出新的軟件相結(jié)合。
聯(lián)影智能COO詹翊強(qiáng)告訴動脈網(wǎng)記者：“聯(lián)影走的是一條自主研發(fā)之路，即在研發(fā)設(shè)備的同時自研AI軟件產(chǎn)品，以高品質(zhì)、覆蓋診療全流程的AI產(chǎn)品占領(lǐng)市場?！?/span>
“我們的做法是，從源頭做起，以全線設(shè)備作為AI切入口，為設(shè)備賦能。此外，我們讓AI更好地賦能臨床，打造貫穿臨床診療全工作流、覆蓋多病種的AI。”軟硬結(jié)合，聯(lián)影智能具備了AI落地的天然優(yōu)勢——數(shù)據(jù)與應(yīng)用場景。
而在自行研發(fā)AI的同時，詹翊強(qiáng)提出了聯(lián)影智能自有的模式：“單個AI產(chǎn)品的開發(fā)成本高，但價值有限，所以聯(lián)影智能正嘗試找到一種更有效的模式進(jìn)行AI開發(fā)，使整個開發(fā)流程規(guī)?；蛟炻?lián)影智能獨有的系列功能模塊，并基于此開發(fā)AI產(chǎn)品。所以，我們在開發(fā)第一個AI產(chǎn)品的時候投入會很大，第二個AI產(chǎn)品投入會比較大，但當(dāng)我們具備足夠的AI功能模塊時，開發(fā)后續(xù)產(chǎn)品，成本就逐漸減少。當(dāng)我們的AI功能模塊不斷成熟，AI技術(shù)可能呈指數(shù)發(fā)展?！?/span>
有著硬件的支持，無論是在應(yīng)用場景上，還是商業(yè)入口上，聯(lián)影智能都能擁有打一場持久戰(zhàn)的資本。正如中國科學(xué)院深圳先進(jìn)技術(shù)研究院研究員鄭海榮所言：“如果AI技術(shù)是有價值的，怎么會通不過審批？這是遲早的事。”
只是在國內(nèi)整體的投資結(jié)構(gòu)下，對于初創(chuàng)公司而言，沒有審批的幾年必然是一段困難的時光。畢竟，要想規(guī)?；⑸虡I(yè)化，審批依然是一條“關(guān)鍵的圓木”，將AI初創(chuàng)企業(yè)卡在了河床之中。
但也不必過分擔(dān)憂，詹翊強(qiáng)表示：“醫(yī)學(xué)影像AI的發(fā)展需要時間的沉淀與深度的挖掘。創(chuàng)新生態(tài)的構(gòu)建也需要各界的共同努力。相信那些真正有實力的AI初創(chuàng)企業(yè)是能夠堅持住的。”
那么醫(yī)療影像AI未來向何方？詹翊強(qiáng)同樣提到了幾個方向。
第一，人工智能將成為影像標(biāo)配，這一點已經(jīng)反應(yīng)在了許多先進(jìn)設(shè)備之中，而技術(shù)上升來帶的成本下沉終將把這一恩惠傳遞給更多的醫(yī)療機(jī)構(gòu)。
第二，個性化場景的優(yōu)化將成為研究重點。隨著深度學(xué)習(xí)的應(yīng)用越多越多，標(biāo)準(zhǔn)算法應(yīng)該根據(jù)具體問題做進(jìn)一步優(yōu)化。例如，人工智能需根據(jù)器官和疾病的特異性，進(jìn)行一些網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)、監(jiān)督任務(wù)的優(yōu)化。
對于醫(yī)生而言，問題還不完全出在技術(shù)上
上述談到的技術(shù)上突破離實際似乎還有一些遙遠(yuǎn)，而對于醫(yī)生而言，眼下要解決的還是一些基礎(chǔ)性的問題。作為本次MICCAI上一股重要的力量，醫(yī)生團(tuán)體則提出了不同的看法。
“現(xiàn)在我最希望解決的是數(shù)據(jù)方面的問題。”北京大學(xué)第一醫(yī)院醫(yī)學(xué)影像科主任王霄英在采訪中表示。AI模型訓(xùn)練時使用的數(shù)據(jù)是經(jīng)過清洗的，所以AI模型對于用于預(yù)測的影像數(shù)據(jù)的格式、質(zhì)量均有一定要求。但在實際工作中，按照常規(guī)影像檢查流程生成和存儲的圖像數(shù)據(jù)很多不能滿足AI算法的需求，預(yù)測效果就受影響。
“目前數(shù)據(jù)處理流程和AI預(yù)測流程是脫節(jié)的。在AI接入臨床工作時，如果是由醫(yī)生人工把AI可以識別的影像分離出來，再交給AI處理，就不能實現(xiàn)全流程的自動化。未來我們希望通過臨床操作的規(guī)范化、算法模塊的增加、算法能力的提高來處理好這些問題?！?/span>
另外一個問題來源于醫(yī)生對AI的體驗，盡管影像醫(yī)生很多都聽說過人工智能，但真實接觸過AI的醫(yī)生不多，技術(shù)下沉仍需各方共同努力。
同時，醫(yī)生接受AI需要更多的知識普及。“醫(yī)生從初始教育開始，便建立了‘根據(jù)機(jī)制去理解現(xiàn)象，再根據(jù)現(xiàn)象去推測機(jī)制’的邏輯，即醫(yī)療是交織著無數(shù)聯(lián)系的一門學(xué)問，對任務(wù)結(jié)果的解釋都需要謹(jǐn)慎對待。AI的‘輸入’、‘輸出’過程應(yīng)使醫(yī)生能夠理解，否則醫(yī)生難以信任這一黑盒過程。”王霄英主任表示。
繁榮背后，人工智能算法仍有待突破
總的來說，MICCAI的繁榮印證了AI醫(yī)學(xué)影像領(lǐng)域的繁榮，這里也有足夠多的研究成果等待著轉(zhuǎn)化，也有足夠多的問題有待繼續(xù)挖掘。
但是我們也需警惕技術(shù)的局限性。深度學(xué)習(xí)作為一項擁有近40年歷史的技術(shù)，至到2012年卷積網(wǎng)絡(luò)的出現(xiàn)才有了今天繁榮。但數(shù)年的發(fā)展或許已將技術(shù)紅利消耗殆盡，在人工智能的三大影響因素——算法、數(shù)據(jù)、算力中，“數(shù)據(jù)”已經(jīng)被冠以核心影響因素很長一段時間，那么算法如何突破呢？
對于這個問題，周少華表示：“我們無法估量下一次算法的突破會在什么時候，不過現(xiàn)有的算法體系的確不能滿足人們想象中的人工智能。下一個的智能在哪里？這還需要各行各業(yè)領(lǐng)域?qū)W者的共同努力?！?/span>
