2019MICCAI干货:AI成影像标配,医生到底需要什么?大佬们向影像领域传达了什么?

作者:赵泓维 2019-10-16 08:00

{{detail.short_name}} {{detail.main_page}}

{{detail.description}} {{detail.round_name}} {{detail.state_name}}

{{detail.province}}-{{detail.city}}
{{detail.setup_time}}
融资金额:{{detail.latest_event_amount}}{{detail.latest_amount_unit}}
投资方: · {{item.latest_event_tzf_name}}
企业数据由提供支持
查看

MICCAI(Medical Image Computing and Computer Assisted Intervention)始于1998年的麻省理工学院,第一届开办时,参与学术交流的学者仅400人。时至今日,MICCAI已成为医学影像分析行业的顶级学术会议。据会方统计,本次大会上,全球各地总共2400多名学者来到了深圳,共同探索医学影像的发展。

 

剧变不仅仅发生于参会人数的变化之上。从论文收录状况看,2019年MICCAI的论文接收量突破1000篇,相比于2017年,这个数字翻了一倍有余,而最终的收录数量也达到了538篇。

 

屏幕快照 2019-10-15 下午4.59.42.png


同样令人振奋的是国内巨头及医疗AI初创公司的崛起。根据不完全统计,腾讯觅影有8篇论文被收录;联影智能有7篇论文被收录;视见科技有6篇论文被收录;深睿医疗有5篇论文被收录;华为云有3篇被收录;图玛深维、Airdoc、致远慧图、浙大睿医均有3篇论文被收录;阿里达摩院有一篇被收录(论文内容简介见文末)。

 

MICCAI 2019大会主席、联影智能联席CEO沈定刚表示:“去年国内企业被收录的论文数量接近20篇,今年的数字大概在40篇,而国内被收录的论文总数应该在150篇这个水平。相对于往年,我们能够看到中国的医学图像研究实力增加非常快。”

 

在这些论文之中,“智能”是一个绕不开的词。可以预见,在未来的几年内,“影像智能”将持续成为医学影像界的重要话题。

 

人工智能占领医学影像领域


“Deep learning dominates everything.” Inria研究主管Nciholas Ayache在MICCAI 2019的采访之中发出感叹,用一句话精炼概括了MICCAI的盛况。

 

相比于产业界,学术界似乎对医学人工智能的未来抱有更多期待与憧憬。环顾会场走廊,参与展览的500多篇论文大都使用了卷积神经网络相关算法,其内容既包括用深度学习重构影像工作流,又包括对单个病种的CT、病理等影像进行优化分析。


 图片1.png

腾讯、联影智能、深睿、视见等企业的入选论文均在会场展示

 

那么,这些论文是否反应了未来学术的研究趋势?人工智能的广泛应用是变革的一方面,更重要的是,各行业的技术正涌入医学影像领域。对此,IEEE TMI和Medical Image Analysis期刊编委会成员、CVPR和 MICCAI 的领域主席、MICCAI2020程序委员会联席主席周少华提出了未来人工智能三个可能发展的方向。

 

第一个方向是联邦学习(Federated Learning),这项“舶来技术”正成为医学影像数据隐私问题的重要解决手段。联邦学习过去由谷歌最先提出的学习方式,原本用于解决安卓手机终端用户在本地更新模型的问题,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私,广泛运用于保险行业的人工智能算法学习。

 

医疗行业面对同样严重的隐私问题,数据不能出院,而许多人工智能也进不了医院。隐私的泄漏风险很大程度上阻碍了人工智能的发展。

 

在医疗健康领域推进智慧医疗的过程中,病理报告、检测结果等病人隐私数据常常分散在多家医院、诊所等不同地区不同类型的医疗机构,联邦学习使机构间可以跨地域协作而数据不出本地,多方合作建立的预测模型能够更准确地预测癌症、基因疾病等疑难病。

 

第二个方向是深度学习自动化。周少华表示:“深度学习本身还是需要很多人工东西,比如建设数据人工标准,设计网络架构,设计损失函数。这些人工的东西是否能由机器来完成呢?以现在的人力数据处理速度,难以实现从点到线的突破,即只能单点解决问题。所以,深度学习也需要自动化,现在很多的学者也在研究这个问题。”

 

第三个方向是通用表征学习。问题仍然出在数据上,即在实际中,许多关联项目各自拥有一定量的数据,但这个数据难以支撑有效的算法,那么我们是否可以寻求一种通用的学习方式来同时进行所有的任务?

 

通用表征学习的好处在于:若存在任务较多,但每单个任务数据有限时,把这些任务和数据整合在一起或许可以获得更好的表达。这将技术能够一定程度上解决数据缺乏和多任务并行两个问题。

 

软硬结合是大势所趋,从以联影为代表的器械巨头中看初创AI的发展机会


软件如何发展固然重要,但作为这些算法的载体,医疗影像器械同样需要力量支持。

 

沈定刚教授在MICCAI 2019的Workshop中曾点明的器械发展的整体趋势,即由单模态、单流程向多模态,全流程不断进步,而人工智能技术将在其中发挥至关重要的作用。


在很长的一段时间内,影像设备的发展是单一的纵向发展,即从单参数影像向多参数影像靠拢;由低排数向高排数发展。这样带来的结果是医生诊断的准确率越来越高,但单位时间内需要处理的数据也就越来越多,实际上提高了医生工作的总量。

 

而人工智能的发展则推动了影像设备的横向发展,即将过去单个的照片环节、导航环节、诊断环节、治疗环节等诸多环节连成一个整体,出具全栈式的方案。这种变革为医生带来的不仅仅是效率上的提升,更是工作模式的转变——将医生从机械劳动中解放出来,去进行更有价值的劳动创造。这正是联影智能所做的事,将优质的硬件与不断推陈出新的软件相结合。

 

联影智能COO詹翊强告诉动脉网:“联影走的是一条自主研发之路,即在研发设备的同时自研AI软件产品,以高品质、覆盖诊疗全流程的AI产品占领市场。”

 

“我们的做法是,从源头做起,以全线设备作为AI切入口,为设备赋能。此外,我们让AI更好地赋能临床,打造贯穿临床诊疗全工作流、覆盖多病种的AI。”软硬结合,联影智能具备了AI落地的天然优势——数据与应用场景。

 

而在自行研发AI的同时,詹翊强提出了联影智能自有的模式:“单个AI产品的开发成本高,但价值有限,所以联影智能正尝试找到一种更有效的模式进行AI开发,使整个开发流程规模化——打造联影智能独有的系列功能模块,并基于此开发AI产品。所以,我们在开发第一个AI产品的时候投入会很大,第二个AI产品投入会比较大,但当我们具备足够的AI功能模块时,开发后续产品,成本就逐渐减少。当我们的AI功能模块不断成熟,AI技术可能呈指数发展。”

 

有着硬件的支持,无论是在应用场景上,还是商业入口上,联影智能都能拥有打一场持久战的资本。正如中国科学院深圳先进技术研究院研究员郑海荣所言:“如果AI技术是有价值的,怎么会通不过审批?这是迟早的事。”

 

只是在国内整体的投资结构下,对于初创公司而言,没有审批的几年必然是一段困难的时光。毕竟,要想规模化、商业化,审批依然是一条“关键的圆木”,将AI初创企业卡在了河床之中。

 

但也不必过分担忧,詹翊强表示:“医学影像AI的发展需要时间的沉淀与深度的挖掘。创新生态的构建也需要各界的共同努力。相信那些真正有实力的AI初创企业是能够坚持住的。”


那么医疗影像AI未来向何方?詹翊强同样提到了几个方向。

 

第一,人工智能将成为影像标配,这一点已经反应在了许多先进设备之中,而技术上升来带的成本下沉终将把这一恩惠传递给更多的医疗机构。

 

第二,个性化场景的优化将成为研究重点。随着深度学习的应用越多越多,标准算法应该根据具体问题做进一步优化。例如,人工智能需根据器官和疾病的特异性,进行一些网络结构、损失函数、监督任务的优化。

 

对于医生而言,问题还不完全出在技术上

 

上述谈到的技术上突破离实际似乎还有一些遥远,而对于医生而言,眼下要解决的还是一些基础性的问题。作为本次MICCAI上一股重要的力量,医生团体则提出了不同的看法。

 

“现在我最希望解决的是数据方面的问题。”北京大学第一医院医学影像科主任王霄英在采访中表示。AI模型训练时使用的数据是经过清洗的,所以AI模型对于用于预测的影像数据的格式、质量均有一定要求。但在实际工作中,按照常规影像检查流程生成和存储的图像数据很多不能满足AI算法的需求,预测效果就受影响。

 

“目前数据处理流程和AI预测流程是脱节的。在AI接入临床工作时,如果是由医生人工把AI可以识别的影像分离出来,再交给AI处理,就不能实现全流程的自动化。未来我们希望通过临床操作的规范化、算法模块的增加、算法能力的提高来处理好这些问题。”

 

另外一个问题来源于医生对AI的体验,尽管影像医生很多都听说过人工智能,但真实接触过AI的医生不多,技术下沉仍需各方共同努力。

 

同时,医生接受AI需要更多的知识普及。“医生从初始教育开始,便建立了‘根据机制去理解现象,再根据现象去推测机制’的逻辑,即医疗是交织着无数联系的一门学问,对任务结果的解释都需要谨慎对待。AI的‘输入’、‘输出’过程应使医生能够理解,否则医生难以信任这一黑盒过程。”王霄英主任表示。

 

繁荣背后,人工智能算法仍有待突破


总的来说,MICCAI的繁荣印证了AI医学影像领域的繁荣,这里也有足够多的研究成果等待着转化,也有足够多的问题有待继续挖掘。

 

但是我们也需警惕技术的局限性。深度学习作为一项拥有近40年历史的技术,至到2012年卷积网络的出现才有了今天繁荣。但数年的发展或许已将技术红利消耗殆尽,在人工智能的三大影响因素——算法、数据、算力中,“数据”已经被冠以核心影响因素很长一段时间,那么算法如何突破呢?

 

对于这个问题,周少华表示:“我们无法估量下一次算法的突破会在什么时候,不过现有的算法体系的确不能满足人们想象中的人工智能。下一个的智能在哪里?这还需要各行各业领域学者的共同努力。”

 

附表:2019年MICCAI论文收录情况(仅包含国内企业部分)

 屏幕快照 2019-10-15 下午2.41.30.png

屏幕快照 2019-10-15 下午2.40.48.png

屏幕快照 2019-10-15 下午2.41.42.png

屏幕快照 2019-10-15 下午2.41.03.png

屏幕快照 2019-10-15 下午2.41.15.png

如果您想对接动脉网所报道的企业,请填写表单,我们的工作人员将尽快为您服务。


注:文中如果涉及企业数据,均由受访者向分析师提供并确认。如果您有资源对接,联系报道项目,可以点击链接填写基本信息,我们将尽快与您联系。

声明:动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。转载请联系tg@vcbeat.net。

分享

微信扫描二维码分享文章

企业
对接
商务
合作
用户
反馈