雷鋒網(wǎng) AI 科技評論按： 北京大學 LAB2112 團隊在今年的阿里天池醫(yī)療 AI 大賽中又奪冠了。這支來自北京大學信息科學技術(shù)學院機器感知與智能教育部重點實驗室的研究團隊，包括四名碩士研究生王東、胡志強、羅天歌、楊澤，與博士研究生李傲雪，團隊的指導(dǎo)教師為王立威教授。

王立威老師團隊在醫(yī)療影像分析，尤其是肺部 CT 圖像分析上有著深厚的研究基礎(chǔ)和豐富的研究經(jīng)驗，曾參與 Kaggle Data Science Bowl 2017 肺癌預(yù)測大賽，于全球 1972 支隊伍中獲得第 4 名; 曾參與 LUNA 肺結(jié)節(jié)檢測挑戰(zhàn)賽，在肺結(jié)節(jié)檢測和假陽性削減兩項任務(wù)中均取得第 1 名并保持到 2017 年 7 月，相關(guān)文章發(fā)表在醫(yī)療圖像計算頂級會議 MICCAI 2017。

在本次阿里天池醫(yī)療 AI 大賽中，王立威老師又再次帶領(lǐng)團隊獲得了冠軍。在比賽結(jié)束后，雷鋒網(wǎng) AI 科技評論第一時間聯(lián)系了王立威教授，針對他在醫(yī)學影像領(lǐng)域的研究做了細致的交流。

王立威，北京大學信息科學技術(shù)學院教授。長期從事機器學習研究。在機器學習領(lǐng)域發(fā)表論文 100 余篇。2011 年入選人工智能重要國際獎項 AI's 10 to Watch，是亞洲首位獲得該獎項的學者。2012 年獲得首屆國家自然科學基金優(yōu)秀青年基金。擔任國際人工智能權(quán)威會議 NIPS，IJCAI 領(lǐng)域主席。中國計算機學會人工智能與模式識別專委會常委。

機器學習應(yīng)用領(lǐng)域的「三岔路口」

2012 年以來，不論是深度網(wǎng)絡(luò)層數(shù)的不斷拓展，還是系統(tǒng)在數(shù)據(jù)集上的優(yōu)異表現(xiàn)，都讓學術(shù)界對機器學習有了重新的認識。對于王立威教授而言，彼時的他已經(jīng)在機器學習領(lǐng)域做了大量的研究，并憑借突出的表現(xiàn)在 2011 年成為首位入選 AI' s 10 to Watch 的亞洲學者。

但王立威教授認為，這一切只是個開始?！笝C器學習在近年來取得了顯著的突破與發(fā)展，除了理論的研究外，更重要的是，學者們需要看清技術(shù)對生活產(chǎn)生的重大影響?！雇趿⑼淌谥蒙砣斯ぶ悄芾顺钡那把兀匀灰蚕Ｍ茉跈C器學習的應(yīng)用領(lǐng)域有所作為。

經(jīng)過王立威教授的觀察和思考，他認為有三個領(lǐng)域會與深度學習進行緊密的結(jié)合，并希望能夠選擇其中一個方面來進行深入研究：一個是無人駕駛；一個是金融領(lǐng)域；再一個則是醫(yī)療領(lǐng)域。

王立威教授認為，無人駕駛在計算機視覺的識別技術(shù)已經(jīng)趨于成熟，具備可以與機器學習進行深入結(jié)合的條件，但作為一個與汽車實體緊密相關(guān)的應(yīng)用方向，在高校內(nèi)做研究的空間相對受限；此外，駕駛作為一種動態(tài)活動，相對于靜態(tài)圖像識別的難度與復(fù)雜性要高得多。

而金融領(lǐng)域盡管積累了非常多高質(zhì)量的封閉數(shù)據(jù)，但它屬于噪聲非常大的信號，受突發(fā)政策、人為操作的影響較大，并非總是嚴格遵循客觀規(guī)律。

在這個應(yīng)用研究的三岔路口上，王立威教授最終選擇了醫(yī)學影像領(lǐng)域。一方面，醫(yī)學影像屬于靜態(tài)圖像識別，相對于視頻技術(shù)的處理技術(shù)要更加成熟；另一方面，依托北京大學的一系列附屬醫(yī)院，不論是從數(shù)據(jù)的獲取或是系統(tǒng)的測試落地上，王立威教授所在的北京大學研究團隊都有著得天獨厚的優(yōu)勢。

既然選擇了遠方，便只顧風雨兼程。從 2014 年開始，王立威教授及其團隊便開始了一段與醫(yī)學影像的不解之緣。

在解決機器學習的問題之前，先向醫(yī)生虛心求教

當時，醫(yī)學界所采用的醫(yī)學影像技術(shù)已經(jīng)沿用了十年之久。在深度學習流行起來的一段時間內(nèi)，也一直是以兩種方法并行的模式同時發(fā)展。王立威教授前期采用了調(diào)研與探索的方式，利用機器學習在性能上的優(yōu)勢嘗試原有的傳統(tǒng)技術(shù)，一開始也取得了不錯的效果。

但技術(shù)的落地并不總是一帆風順。只滿足于把自己定位于一個機器學習的研究人員來看待醫(yī)學影像問題，將機器學習技術(shù)單純地「嫁接」到醫(yī)學影像原有的系統(tǒng)上，結(jié)果也還不錯，但距離優(yōu)秀、滿意的系統(tǒng)依然還很遠。王立威教授在經(jīng)過反思和研究后終于意識到，問題的本質(zhì)在于研究人員對醫(yī)學影像缺乏真正深入的認識。

「計算機學科與醫(yī)學畢竟還是兩個完全獨立的學科，不論是從知識體系或是根本性的思維方式都有很大差異。如果一位機器學習的科研人員要潛心做醫(yī)學影像的研究，首先要從心理上克服畏難的心理，要有積極的心態(tài)去學習非常基礎(chǔ)的醫(yī)療知識。」王立威教授告訴雷鋒網(wǎng) AI 科技評論，作為機器學習或是計算機學科的研究人員，更希望能比較精確、定量化地進行描述，如果是醫(yī)學領(lǐng)域，在很多研究內(nèi)容上往往更傾向于做定性的描述。

以醫(yī)學影像的診斷為例，如果呈現(xiàn)某些特征，醫(yī)學人員可能會認為這就是可能出現(xiàn)某種疾病的判斷依據(jù)；但在同樣的情況下，計算機學科的研究人員可能需要一個精確的定義，「需要滿足哪些定量條件才能被視為符合的特征？」這種基于學科的思維差異容易在溝通和交流上產(chǎn)生障礙，繼而影響機器學習在醫(yī)學影像上的應(yīng)用。

此外，機器學習領(lǐng)域目前在識別、檢測、分割所處理的圖像很多都是自然景象，與以 X 光、CT 或是核磁共振為代表的醫(yī)學影像所處理的人體器官圖像存在巨大的差異。而與機器學習所處理的單張圖像相比，醫(yī)學影像所處理的圖像是逐層的掃描，在某種意義上是一系列的連續(xù)圖像，又存在著不同的地方。「如果僅僅是將機器學習領(lǐng)域的現(xiàn)有算法直接套用在醫(yī)學影像領(lǐng)域，我認為是很難取得什么好的成果的，」王立威教授表示，「我們得針對醫(yī)學影像自身的獨有特點，有的放矢地設(shè)計或大幅度地改進現(xiàn)有的算法才行。」

因此，王立威教授決定帶領(lǐng)團隊先對醫(yī)療知識進行系統(tǒng)性的了解，圍繞特定病種的診斷基準進行整體的學習。其次，醫(yī)生在對醫(yī)學影像進行判斷的過程叫做「閱片」，王立威教授也一同與學生們花了大量的時間學習如何掌握這一技能。

在醫(yī)學知識有了質(zhì)的提升后，以此為基礎(chǔ)再做涉及細節(jié)的算法設(shè)計時，王立威教授發(fā)現(xiàn)系統(tǒng)的水平又上升了一個臺階。為了做好一個機器學習應(yīng)用問題，這支高校團隊花了很大的精力與時間去掌握基礎(chǔ)的醫(yī)療知識。而王立威教授也表示，這也為系統(tǒng)的進一步提升、為與醫(yī)生的溝通交流起到了關(guān)鍵性的作用。

秉承著這樣的理念，王立威教授在醫(yī)學影像應(yīng)用領(lǐng)域做出了很多突破性的嘗試，包括提出針對醫(yī)療影像檢測的深度學習方法 ContextNet，以及將多個機器學習算法首次引入肺結(jié)節(jié)的檢測系統(tǒng)。

比賽頻獲佳績，應(yīng)用任重道遠

從算法層面，王立威教授及團隊已經(jīng)做出了不少的創(chuàng)新性嘗試。而在王立威教授看來，如何提升病種檢測的復(fù)現(xiàn)性或者說遷移性，同樣是一個亟待解決的難題?！负歪t(yī)學影像相關(guān)的病種可能多達 2000 種，即便是常見的可能也有幾百種。那么，解決了某一病種的醫(yī)學影像問題后，同一方法是否能遷移到新的病種上？假設(shè)這些病種都是相對獨立的關(guān)系，那么每次都需要從頭做新的研究?！勾送猓紤]到不同病種包括了 X 光、CT、核磁共振等多種不同的成像方式，這一問題就顯得更加復(fù)雜。

基于病種的數(shù)量龐大，病種的選擇標準就成為了一個非常重要的問題。Google 早在 2016 年就開始著手用機器學習算法增強糖尿病視網(wǎng)膜病變的檢測過程，而騰訊優(yōu)圖實驗室也于今年分享過它們在糖尿病視網(wǎng)膜篩查的一些工作。在病種的選擇上，王立威教授告訴雷鋒網(wǎng) AI 科技評論，從他個人的角度來看有三個需要考慮的地方。

• 首先是需求問題。從根本上，醫(yī)療影像依然是一個與實際應(yīng)用的需求緊密結(jié)合的問題，因此疾病的發(fā)病率、死亡率自然是首要考慮的因素；此外，該病種的受眾面越大，攻克這一病種所惠及的人數(shù)就越多。

• 其次是從技術(shù)上考慮。也就是說，根據(jù)目前的技術(shù)水平來看，是否能借助機器學習提升系統(tǒng)水平，通過醫(yī)學影像的方式成功進行診斷？對于從業(yè)數(shù)十年的醫(yī)生來說，不同的病種的判斷難度實際上有著天壤之別。有的病種不需要一秒就可根據(jù)醫(yī)學影像進行診斷，但有的病種即使花費大量時間，也難以得到一個很有置信力的結(jié)論?！杆?，我們要從技術(shù)上對不同病種做嘗試與判斷，看看是否能從技術(shù)上幫助醫(yī)生解決這樣的問題。」

• 第三點則是對醫(yī)生的幫助程度。一方面自然是從提升效率的角度來看。以肺結(jié)節(jié)檢測為例子，一位資深醫(yī)生依然需要 6-8 分鐘才能閱一張 CT 片子，但對于系統(tǒng)而言可能就是一個秒級的概念，更不要說它可以 24/7 地工作了。

王立威教授提及的另一個方面則是反過來，利用機器學習的技術(shù)推進醫(yī)生在診斷上的新發(fā)現(xiàn)。比如發(fā)現(xiàn)了以往傳統(tǒng)閱片沒有察覺到的診斷依據(jù)，讓這一病種的診斷在醫(yī)學上有所突破。盡管這一點目前還沒有實現(xiàn)，但王立威教授依然懷有這樣的期待。

在王立威教授的領(lǐng)導(dǎo)下，北京大學 LAB2112 團隊曾參與 Kaggle Data Science Bowl 2017 肺癌預(yù)測大賽，于全球 1972 支隊伍中獲得第 4 名; 曾參與 LUNA 肺結(jié)節(jié)檢測挑戰(zhàn)賽，在肺結(jié)節(jié)檢測和假陽性削減兩項任務(wù)中均取得第 1 名并保持到 2017 年 7 月，相關(guān)文章發(fā)表在醫(yī)療圖像計算頂級會議 MICCAI 2017。在本次天池醫(yī)療 AI 大賽中，王立威老師又再次帶領(lǐng)團隊獲得了冠軍。

如果是普通的開發(fā)類比賽，數(shù)據(jù)集與數(shù)據(jù)來源都是賽事組織方給定的，而且質(zhì)量也非常高。但在現(xiàn)實生活中，考慮到標記數(shù)據(jù)的成本及數(shù)據(jù)量的限制，如何在減少對數(shù)據(jù)的依賴下提升模型的魯棒性？王立威教授表示，一種較為容易實現(xiàn)且簡單直接的辦法就是采用預(yù)訓(xùn)練的方法，選擇一些具有相關(guān)性且較易獲取圖像的領(lǐng)域，利用圖像做網(wǎng)絡(luò)的訓(xùn)練，再應(yīng)用到具體的醫(yī)學影像領(lǐng)域上來。這樣一來，對數(shù)據(jù)的需求也會有相應(yīng)的減少。

機器學習的可解釋性一直是一個頗受重視的問題，而在本次天池比賽里，北京大學 LAB2112 團隊在決賽答辯時也展示了它們在這一領(lǐng)域的相關(guān)探索?！敢苑谓Y(jié)節(jié)比賽為例，醫(yī)生的判斷其實也是看這個級別形態(tài)上的一些特征，比如毛刺或是空洞出現(xiàn)的頻率較高，那么判斷為惡性的可能性就比較高，我們通過分析神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)它確實對提及的特征關(guān)注得比較多。也就是說，可解釋性會在節(jié)點附近的區(qū)域使得神經(jīng)網(wǎng)絡(luò)的響應(yīng)呈現(xiàn)最大化，那么反過來，這也與醫(yī)生的經(jīng)驗判斷是吻合的?！?/p>

參加了如此多的比賽并取得了突出的成績，王立威教授對此則以一種謙虛樂觀的態(tài)度對待。他認為，參加比賽的目的只是鍛煉隊伍、檢驗水平，與其它的團隊進行切磋和交流，在未來最重要的事情，還是要解決實際問題?！冈谡鎸嵉尼t(yī)學場景中廣泛地應(yīng)用機器學習，才是我們最希望看到的結(jié)果?！?/p>

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。