0
| 本文作者： 劉海濤 | 2022-01-13 14:57 |
一個不爭的事實是，在醫(yī)學影像分析領(lǐng)域，華人學者的影響力越來越大。
近三年（2019、2020、2021），先后有六位該領(lǐng)域的華人學者當選IEEE Fellow（一年IEEE約有250名左右的Fellow產(chǎn)生，相當于會員總數(shù)的0.1%）。
IEEE全稱是電氣與電子工程師協(xié)會，醫(yī)學影像作為其中相對“小眾”的一個類別，獲此殊榮殊為不易。
論文的接受數(shù)量，也進一步佐證了這一現(xiàn)象。
2019年，華人學者沈定剛教授成為MICCAI大會主席，他曾以MICCAI為例，向雷峰網(wǎng)分享過一組數(shù)據(jù)：
在相當長的一段時間里，國內(nèi)（包括香港）每年有十篇左右的文章會被（MICCAI）接收，比例只有3%-4%。
但這個現(xiàn)象在2019年完全不同——亞洲的錄取文章比例已經(jīng)達到37%（美洲為36%，歐洲為26%），超過了美洲。在亞洲的錄取文章里，絕大多數(shù)（150篇左右）來自于中國。
在兩年后的今天，這種學術(shù)趨勢越來越明顯。對學者而言，如何做出有水平的研究成果，實現(xiàn)高效的產(chǎn)研轉(zhuǎn)化進而造福人類，是畢生的追求。
近日，由雷峰網(wǎng)與圖像計算與數(shù)字醫(yī)學國際研討會（ISICDM）聯(lián)合主辦的"IEEE Fellow圓桌對話"，邀請了近三年來當選IEEE Fellow的五位學者，圍繞醫(yī)學影像產(chǎn)學研融合的話題進行了深入探討。
中國科學院自動化所研究員蔣田仔
中國科學技術(shù)大學講席教授暨生物醫(yī)學工程學院創(chuàng)始執(zhí)行院長周少華
電子科技大學電子工程學院教授李純明
東南大學腦科學與智能技術(shù)研究院創(chuàng)院院長彭漢川
騰訊天衍實驗室主任鄭冶楓
圓桌由南方醫(yī)科大學生物醫(yī)學工程學院的馮前進院長擔任主持；MICCAI 2019大會主席、上海科技大學生物醫(yī)學工程學院創(chuàng)始院長沈定剛教授進行致辭，對青年AI學術(shù)人的治學提出了諸多建議。（文后附致辭詳細內(nèi)容）
以下是圓桌論壇的現(xiàn)場內(nèi)容，雷峰網(wǎng)(公眾號：雷峰網(wǎng))《醫(yī)健AI掘金志》做了不改變原意的編輯和整理：
南方醫(yī)科大學生物醫(yī)學工程學院院長 馮前進
馮前進：近年來，越來越多華人在醫(yī)學影像分析領(lǐng)域做出了杰出成就而當選IEEE Fellow，包括在座各位專家。請大家談?wù)効蒲械慕?jīng)驗與感想，如何做高水平、有影響力的學術(shù)研究？
蔣田仔：每個人對高水平定義肯定不一樣，我覺得對這個領(lǐng)域或社會有意義的事，才是高水平。
我原來搞數(shù)學，從本科、博士都是學數(shù)學，后來做腦科學，從2000-2010年這十年基本上以寫論文為主，發(fā)表了很多論文，卻不能解決現(xiàn)實問題。
我們申請科技部“973項目”的時候，分析了以前的問題。
發(fā)現(xiàn)腦科學研究缺乏一個靠譜的腦圖譜，所以，我們的項目設(shè)計了有三個主題：腦圖譜、腦連接、疾病的腦網(wǎng)絡(luò)表征。
該項目繪制的“腦網(wǎng)絡(luò)組圖譜”臨床影響就很深遠，因為有很多臨床應(yīng)用場景，包括精準診療的生物標志、治療和調(diào)控靶區(qū)等等。
周少華：我非常同意蔣田仔教授觀點。我博士做人臉識別，后來“誤打誤撞”加入西門子醫(yī)療開始醫(yī)學影像的研究，研究了很多來自臨床實踐的問題。
我覺得臨床實踐才是醫(yī)學影像研究比較好的途徑，因為實際臨床問題是重要的問題來源。
真的能解決某個臨床問題、做出有影響力的工作才是高水平。
李純明：我結(jié)合個人背景談一下我的看法，我本碩都是數(shù)學，雖然博士讀的是電子工程，后來一直在工科領(lǐng)域工作，但還是受數(shù)學影響比較深一點。所以我的研究偏數(shù)學一些，看法可能有些偏頗。
針對做算法的文章來講，我認為一篇有長久影響力的論文應(yīng)該具備以下四個特征：
第一，創(chuàng)新性。首先是文章的創(chuàng)新性，所提出的方法要新穎獨特，這樣才能成為作者的一張名片。
第二，有效性。文章里的實驗結(jié)果首先要可復現(xiàn)，而且要有優(yōu)勢，至少在某些方面要優(yōu)于其它方法。
第三，理論性。文章要有很好的理論支持，在理論層面或數(shù)學模型上就能夠清晰地解釋方法的工作機制，這樣才能讓人知其然，還知其所以然，讓人心服口服，產(chǎn)生更深遠的影響力。
第四，簡潔性。文章的數(shù)學模型、公式和算法的表達都要盡可能簡潔。
因為簡潔可以讓很多人在此基礎(chǔ)做進一步研究，用起來更方便，容易讓別人在你工作的基礎(chǔ)上做進一步的研究，也更容易被記住。一篇經(jīng)典的論文或一個fundamental的貢獻往往具有簡潔性。
現(xiàn)在很多深度學習論文的同質(zhì)化比較嚴重，就是創(chuàng)新性不高，即不滿足第一條特征，而且大部分論文也不具備第三條和第四條特征，往往只靠第二條。
即只依靠在某個數(shù)據(jù)集上的實驗結(jié)果取勝，就是人們常說的“刷分數(shù)”，但因為缺乏理論性而不能讓人心服口服，也許換一個數(shù)據(jù)集結(jié)果就分數(shù)很差。
而且，一個方法在某個數(shù)據(jù)集的挑戰(zhàn)賽上得了第一名，也許第二天就被別的方法比下去了，很難維持長久的影響力。
彭漢川：蔣田仔教授他們一直都是體量比較大的項目，比較容易看到臨床的巨大需求。但許多研究相對比較小眾，項目曝光不大。
這種情況下怎么才能做出被大家關(guān)注的工作？
我曾經(jīng)長期研究人工智能項目，博士后階段后才開始做放射科學、醫(yī)學影像技術(shù)、從事臨床相關(guān)的數(shù)據(jù)挖掘。
后來，在2002年接觸了新興的基因組、基因表達研究，還有單細胞影像數(shù)據(jù)等等，逐步意識到，生命科學影像數(shù)據(jù)可以比傳統(tǒng)醫(yī)學影像數(shù)量級大很多，迫切需要新方法新系統(tǒng)。
2005年左右，這些研究的數(shù)據(jù)集進一步擴大，于是我嘗試了很多方法學創(chuàng)新，其中也借鑒醫(yī)學影像方法改進，但大量創(chuàng)新研究導致了全新的多維影像大數(shù)據(jù)平臺并得到越來越廣泛應(yīng)用，現(xiàn)在也開始對醫(yī)學影像數(shù)據(jù)處理產(chǎn)生了一些促進作用。
所以個人體會是，若想做出重要工作，需要經(jīng)常跳出自己的視野，經(jīng)常做一些跨界性研究，這個過程中會做很多不一樣的工作，產(chǎn)生不一樣的成果。
因此，我并不特別關(guān)注怎么做出高水平、有影響工作，而是如何在不同領(lǐng)域中使工作更有趣，同時把這些信息傳遞給合作伙伴，讓大家慢慢把研究做起來，這樣很多所謂的高水平工作就會自然產(chǎn)生。
鄭冶楓：我在工業(yè)界工作了十幾年，和周少華老師在西門子美國研究院共事十幾年，工業(yè)界和學術(shù)界研究不太一樣。
學術(shù)界比較自由，瞄準有意義的方向就容易出成果。但工業(yè)界沒有太多自由，但好處是課題都是臨床實際問題，都是醫(yī)生迫切需要解決的好問題。
研究目標就是解決這些需求，所以我們被逼著死磕這些問題，確實有些問題很重要，但解決起來非常難，一旦解決就能推進技術(shù)發(fā)展。
例如，我曾用五六年研究如何從CT抽取冠狀動脈，冠狀動脈非常細，只有CT分辨率才能看清楚血管是否被堵住，想要解決非常難。
當時，我們參考了學術(shù)界方法，引入機器學習和深度學習，得到比較好的結(jié)果。
馮前進：深度學習興起后，醫(yī)學影像AI領(lǐng)域涌現(xiàn)一大波論文，這些論文與前深度學習時代論文相比有哪些不同？傳統(tǒng)方法該何去何從？
鄭冶楓：深度學習出來之后，最近5、6年所有方法都被深度學習覆蓋，已經(jīng)很難看到傳統(tǒng)方法，我不希望某種方法一統(tǒng)江湖，壓抑其他方法改進。
例如，現(xiàn)在模型越來越大，達到千億、萬億級別參數(shù)的模型。搞得許多研究機構(gòu)根本跟不上，像GPT那種需要幾百、幾千個GPU訓練的模型，大部分實驗室都沒有這樣的條件。
而且這種數(shù)據(jù)堆砌的方法不適用所有領(lǐng)域，例如醫(yī)學影像沒有那么多優(yōu)質(zhì)數(shù)據(jù)，幾千個數(shù)據(jù)就是很大的數(shù)據(jù)集，這種情況下我會更聚焦算法創(chuàng)新。
除此之外，深度學習時代還有很多同質(zhì)化現(xiàn)象，許多研究只是在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上做微調(diào)，這不是一個好的現(xiàn)象，研究方式手段還要豐富多彩。
在深度學習如此火熱的當下，之前舊的方法還是有很多可以探索的地方。之前我們更依賴于先驗知識，而不是數(shù)據(jù)，用先驗經(jīng)驗設(shè)計模型，現(xiàn)在靠數(shù)據(jù)、靠模型，這不太一樣。
我最近就在研究把傳統(tǒng)方法和深度學習結(jié)合，在數(shù)據(jù)量比較少的情況下提高準確率。
比如，傳統(tǒng)的字典學習是生成模型，一般優(yōu)化重建圖像的損失，而在測試階段是作為分類模型使用的，訓練目標和測試目標不一致。
將字典學習和深度學習結(jié)合，我們可以做到端到端學習，訓練和測試的設(shè)置一致，可以提高準確率。我們將這個方法用于CT圖像去金屬偽影，取得不錯的效果。
最近幾篇論文都是這個方向，因此我還是希望傳統(tǒng)方法能和機器學習有機結(jié)合起來，發(fā)揮兩者優(yōu)點。
中國科學院自動化所研究員 蔣田仔
蔣田仔：深度學習只是一種方法，很多人把深度學習當作人工智能，認為人工智能就是深度學習。我覺得這值得思考，甚至要潑一些冷水。
2006年深度學習出來的時候，我就叫學生看了，但用處不明顯。因為深度學習需要大量高質(zhì)量、有標簽的數(shù)據(jù)，對數(shù)據(jù)和人工要求都非常大，當時還不滿足條件。
后來的深度學習越來越熱是因為許多主要領(lǐng)域都有了數(shù)據(jù)積累。
即便如此，我還是要持不同的看法，很多問題是深度學習無法解決的，例如腦疾病問題需要最后追溯到哪個腦區(qū)和網(wǎng)絡(luò)的損傷形成的，一般深度學習做不到，需要傳統(tǒng)方法給臨床提供一些幫助。
所以，未來也許有會出現(xiàn)深度學習更好的方法，但每個方法都有其優(yōu)缺點。
彭漢川：我是1994年開始學習和使用人工智能包括很多人工神經(jīng)元網(wǎng)絡(luò)模型等，用了8年時間在早期先驅(qū)的原始代碼上做各種實驗也提出了一些新方法。
后來有幸又和做Bayesian Networks的首個學習算法提出者合作兩年，做了醫(yī)學圖像數(shù)據(jù)挖掘的研究，之后大約進行了近20年的生物影像信息學大數(shù)據(jù)新領(lǐng)域的開拓和研究。
針對主持人的問題，我現(xiàn)在認為當今腦科學、生命科學研究和深度學習有很大關(guān)系。
現(xiàn)在，許多研究都已經(jīng)可以用Deep learning解決方案，確實在很多工作中取得很好效果。對此，還是應(yīng)該保持歡迎趨勢而不是抗拒。
學術(shù)圈一種觀點認為，這雖然叫深度學習，但不一定有“深度”。但深度學習好不好，還需要看應(yīng)用場景。
例如，通過數(shù)據(jù)集成，在單個顯卡訓練或運算就能達到前所未有的效果，對學術(shù)研究是利好的，沒必要拒絕。
另一方面，我們也注意到醫(yī)學影像等現(xiàn)實需求中有大量問題，并不適用于深度學習方法。
例如，數(shù)據(jù)傳輸問題就不能被簡單使用分類策略解決，數(shù)據(jù)可視化和標注也需要使用特定策略，不能簡單套用所謂深度學習的框架。
實際上，一套醫(yī)學影像AI系統(tǒng)不只是有深度學習模塊，還有結(jié)果驗證、校驗、可視化、再編輯等等問題，需要一整套系統(tǒng)，而不是只是中間某個特定分類問題。
根據(jù)應(yīng)用場景，我們可能不會只使用深度學習這一類方法；能解決問題同時又較少帶來新問題的方法是最好的方法。
電子科技大學電子工程學院教授 李純明
李純明：我想說的有兩點。
第一，現(xiàn)在的深度學習文章或方法同質(zhì)化比較嚴重，大家可能覺得每個文章都能提出創(chuàng)新點，但方法上都大同小異，同質(zhì)化比較嚴重，大批文章都比較類似。
同質(zhì)化也造成一個很嚴重的審稿問題：要拒就全部拒，要接受就全部接受，許多文章貌似有道理，就被成批成批錄用。
這樣會出現(xiàn)一個惡性循環(huán)，文章一多，審稿的需求就增加，帶來素質(zhì)較差的審稿人。
第二，審稿人的不專業(yè)，許多本科生都來發(fā)頂刊文章，進入學術(shù)界，這些人進來之后就導致很多不好，水平比較差或沒創(chuàng)新的文章被錄用進來，產(chǎn)生惡性循環(huán)。
這和十幾年前的學術(shù)界很不一樣，當時的文章都比較注重理論創(chuàng)新，要有所突破。當然，其中也有人刻意加很多數(shù)學公式，把文章搞得很復雜，導致審稿非常困難，和現(xiàn)在正好相反。
周少華：我再補充一點，過去研究的很多都是臨床問題，這些問題從更大層面角度都是刻劃數(shù)據(jù)的分布問題。
我認為，深度學習是目前發(fā)現(xiàn)的一個最好的方法，過去的先驗知識，或其它傳統(tǒng)方法也都是數(shù)據(jù)分布的刻劃，這一點上深度學習或許是一個最完美的手段。
當然，我也不喜歡模型變得越大越深，這讓很多研究人員的工作越來越困難，所以深度學習還有很多問題，例如無法解決數(shù)據(jù)少的問題。
例如醫(yī)學影像即使使用分布遷移的手段，也可能面臨魯棒性問題，讓之前的努力都前功盡棄。
馮前進：在產(chǎn)學研融合方面，醫(yī)學影像分析是一個交叉性質(zhì)十分鮮明的學科，需要與醫(yī)生進行廣泛、深入的交流，要將一個好的模型轉(zhuǎn)化為醫(yī)生使用順手的工具有很長的路要走，能否分享你們與醫(yī)生合作印象較深的案例？
彭漢川：醫(yī)生本身也需要很多科研需求，希望借助新方法在臨床樣本上看到不太一樣的東西。
例如，醫(yī)生需要利用自己的知識找到特定的數(shù)據(jù)樣本或臨床樣本并記錄下來，這就是一個標注，和樣本分類的需求，具體可分為幾個方面：
第一，對二維數(shù)據(jù)進行快速標注，這方面的工具有很多，需求和開發(fā)都比較簡單；
第二，三維或多維影像的數(shù)據(jù)的標注，需要開發(fā)全新的算法。傳統(tǒng)處理三位數(shù)據(jù)標注需要逐層處理，但一張一張來做的話速度很慢，效率低下。
效率更高的方法是通過工具把三維或多維數(shù)據(jù)在三維或多維環(huán)境中進行直接標注。
這在生命科學領(lǐng)域是一個很常見的問題，我的小組十幾年前就做這方面工作，開發(fā)世界上第一套三維“虛擬手指”系統(tǒng)讓使用者（包括醫(yī)生）能夠有效對三維影像數(shù)據(jù)進行快速標注，不需要單獨逐層處理，得到越來越廣泛的應(yīng)用。
8年前我們又開始做虛擬現(xiàn)實工作，結(jié)合云計算把使用者和觀察者放到海量數(shù)據(jù)中間，做出這個領(lǐng)域的世界第一套標注系統(tǒng)。
相信這樣的系統(tǒng)未來會有很大應(yīng)用，例如元宇宙，在虛擬世界里加入各種各樣反饋，讓場景變得更加生動有趣。
我們的系統(tǒng)也可以做類似開發(fā)，讓影像科醫(yī)生更加快速準確地產(chǎn)生診斷報告，將各種需求、研究和實際使用者聯(lián)系起來，產(chǎn)出實際價值。
蔣田仔：這是我選擇回國的主要原因之一，和醫(yī)生合作是中國的一個優(yōu)勢。
我回國這20年時間里，一直都是和醫(yī)生打交道，這讓我能知道哪些工作是有價值的，哪些工作是沒價值。
所以我最開始做973項目的時候，直接就選擇了神經(jīng)精神疾病作為應(yīng)用場景，雖然這件事到現(xiàn)在還沒有在臨床應(yīng)用，可能有幾點原因：
第一，沒有靠譜的圖譜，所有人都拿著以前的圖譜做牽強解釋；
第二，缺乏大數(shù)據(jù)，精神疾病往往有不同亞型，精神分裂癥也有不同亞型。
過去的一篇文章一共就二十個樣本，如果分成不同亞型，一種亞型就只有幾個樣本。所以，從科研角度好像有一些進展。但對于臨床醫(yī)生來說，根本沒意義，樣本量太小。
所以，醫(yī)學影像的科研，一定要通過和醫(yī)生合作，了解他們的反饋和需求，調(diào)整自己的研究方向，盡量滿足臨床需要。
李純明：我在這方面比較沒有發(fā)言權(quán)，因為我過去的研究更偏向算法。
我覺得和醫(yī)生合作，不能只是把他們看作提供數(shù)據(jù)的來源， 要求他們?nèi)プ鲆恍俗⒕偷酱藶橹?，后面自己做，然后發(fā)文章；這樣的研究既沒有利用醫(yī)生知識，也沒有解決他們臨床上的需求。
騰訊天衍實驗室主任 鄭冶楓
鄭冶楓：我過去幾十年都一直在工業(yè)界，參加了幾個產(chǎn)品開發(fā)，這些產(chǎn)品最后也都在醫(yī)院落地，有機會去看看醫(yī)生的使用情況和收集反饋。
所以我也列舉一個親身的案例——當時在西門子開發(fā)的一個主動脈瓣膜微創(chuàng)置換手術(shù)導航系統(tǒng)。
這個手術(shù)非常復雜，過去死亡率達到10%。主動脈瓣膜是一個單向流動的閥門，如果鈣化以后就會導致閥門關(guān)不嚴，血液回流，最終導致全身缺血，嚴重到一定程度就需要置換。
這個手術(shù)以前都需要開胸，把心臟打開，瓣膜縫進去，操作風險非常高。
在2009年以后，開始用微創(chuàng)的方法，在一根管子前方放置一個小瓣膜，從大腿根部動脈插進去，回溯到瓣膜位置，之后用氣球?qū)⑷斯ぐ昴伍_，替代掉原來瓣膜，整個手術(shù)創(chuàng)傷非常小，死亡率也很低。
但要實現(xiàn)這樣的微創(chuàng)手術(shù)，就要能夠在體外重建出體內(nèi)情況，找到瓣膜放置的位置，臨床上過去一直都是通過打造影劑，用X光照射觀察，但是造影劑會對腎臟造成傷害，出現(xiàn)急性腎衰竭的風險。
我們了解到這個需求之后，了解到他們需要一個盡量不開X光、不打顯影劑的導航系統(tǒng)，來找到瓣膜的位置，什么時候可以放置。
記得當時和醫(yī)生溝通了很多次，去了很多家醫(yī)院參觀，甚至穿著鉛衣還觀看了幾次真正的手術(shù)。
最后得出的方案是將X光機繞病人旋轉(zhuǎn)一圈，生成一個CT，之后實時通過算法將瓣膜圖像重建，抽取出來，滿足在不打造影劑的情況下，就讓醫(yī)生知道人工瓣膜是不是在一個合適且匹配的位置，最后就可以撐開安裝；
這是非常關(guān)鍵的，因為瓣膜置換只能做一次，如果放置不好，就需要轉(zhuǎn)成開胸手術(shù)，這樣死亡率又高達10%。
所以從產(chǎn)業(yè)的角度來說，和醫(yī)生交流之后，能夠知道他的需求，什么樣的方案最合適，最后看到產(chǎn)品在臨床應(yīng)用后，會覺得熬了這么多夜做出來的東西確實真實有用，也很有成就感。
馮前進：2020年有多家公司的醫(yī)療AI產(chǎn)品獲得了醫(yī)療器械的三類證，但是這些AI產(chǎn)品的落地能力仍受到質(zhì)疑，這其中有哪些因素導致？產(chǎn)學研融合的關(guān)鍵是什么？
鄭冶楓：騰訊也是獲得三類證的企業(yè)其中之一，新冠肺炎輔助診斷算法在八月份獲得藥監(jiān)局的NMPA三類證。落地中，我們確實碰到了很多問題，有商業(yè)模式的，也有技術(shù)的。
商業(yè)模式上，國內(nèi)醫(yī)療系統(tǒng)收費模式和國外有差別，例如，影像診斷是和設(shè)備費用打包在一起，并不會獨立算影像診斷費用，因此，我們的AI算法不能獨立收費。
而美國診斷費用和設(shè)備費用是分開的，診斷費用和設(shè)備費用基本等價的，所以美國的人工成本非常高，有一些AI算法可以獨立收費，甚至專門有一個類別可以報銷，但國內(nèi)的AI算法沒法獨立收費。
所以，對醫(yī)院來說購買一個AI產(chǎn)品就增加了一項成本，真正采購的醫(yī)院比較少。當然，整體環(huán)境正在改變，收費模式可能也會改變。但就現(xiàn)階段而言，國內(nèi)醫(yī)療AI企業(yè)的商業(yè)模式還有一些困難。
技術(shù)問題上，現(xiàn)在的AI算法只能在幾個特定任務(wù)取得不錯成果，拿證也都是獨立病種一個個審批。
例如肺結(jié)節(jié)、肺炎，但法律要求影像科醫(yī)生閱片將影像中體現(xiàn)的所有疾病都必須在報告中寫出來，例如胸部不只看肺結(jié)節(jié)，還有心臟鈣化、骨折、骨瘤等等一系列疾病。
所以這就有一個矛盾，現(xiàn)在的產(chǎn)品只有單一能力，例如我們拿到的是肺炎三類證，可以提高醫(yī)生單點疾病診斷準確率，但不能節(jié)省工作量。醫(yī)生還需要自己詳細看一遍其它疾病，導致總體效率是降低的。
總體來說，現(xiàn)在的醫(yī)療AI算法還是單點能力，不能全面幫助醫(yī)生，導致不能被臨床普遍接受。
蔣田仔：非常贊同鄭教授觀點，拿證只是其中一環(huán)，拿證之后怎樣被醫(yī)生接受才最關(guān)鍵。腦機交互、神經(jīng)調(diào)控也是同理。
很多人都是自己先做東西，然后去找市場，最終能不能落地，有沒有人用這個產(chǎn)品都完全無法確定。
我們也有一個公司在做這方面研究，都選擇醫(yī)生看到這個需求和方向，我們在迅速跟進研究，這樣的產(chǎn)品出來之后，可能更容易在臨床落地。
中國科學技術(shù)大學講席教授暨生物醫(yī)學工程學院創(chuàng)始執(zhí)行院長 周少華
周少華：AI落地最大痛點在于功能單一，除此之外醫(yī)療AI還有流程問題，醫(yī)生工作流程都非常標準化。
如果AI產(chǎn)品不能嵌入工作流程，或者沒有幫醫(yī)生減少工作量是不受歡迎的。此外，還有分布遷移問題沒有解決，一些AI模型即使有很多訓練數(shù)據(jù)，做過很多測試，但還有魯棒性問題。
李純明：拿到證不見得能夠得到醫(yī)生認可，還要解決實際臨床問題。自己在2018年前曾經(jīng)預測深度學習最多還能再火一兩年，現(xiàn)在看來其熱度應(yīng)該還能再持續(xù)一兩年。
今年初我還覺得明年深度學習會降溫，但AlphaFold又在生物計算領(lǐng)域掀起了一輪熱潮，最近又有人工智能公司商湯的上市，它又會激勵一些人繼續(xù)加入深度學習的學術(shù)研究和創(chuàng)業(yè)。
所以，我現(xiàn)在都不太敢預測了。所以大家即使看到深度學習有很多問題，但未來還會繼續(xù)發(fā)展，但應(yīng)該會朝著更理性方向發(fā)展，比如進一步提高深度學習的可解釋性，或與傳統(tǒng)方法結(jié)合。
東南大學腦科學與智能技術(shù)研究院創(chuàng)院院長 彭漢川
彭漢川：落地難題本質(zhì)不只是AI產(chǎn)品問題，更多的是公司運營的問題。
AI產(chǎn)品本身是一個新技術(shù)，拿到證只是標志它滿足了一定技術(shù)質(zhì)量要求、得到了政策允許、可以推向市場，至于落地難本身就是運營的問題。
醫(yī)療AI創(chuàng)業(yè)很大成分不只是怎么講好故事，更多的是如何更有效推廣，怎么在企業(yè)運營中分配各方面資源，更好地分配收益，產(chǎn)生持續(xù)現(xiàn)金流，這些才是關(guān)鍵。
AI技術(shù)只是其中的一部分，AI技術(shù)的落地更多的是市場問題，是公司運營的問題。
至于深度學習的熱度會持續(xù)多久，我覺得會持續(xù)很久，因為現(xiàn)在深度學習參與者數(shù)量不斷增加，越來越多的人在涌進這個領(lǐng)域。
此外，在實際應(yīng)用中，我們看到醫(yī)療AI的成功案例也比較多，包括臨床實驗突破，技術(shù)成功，創(chuàng)業(yè)成功，上市成功，這會吸引更多人涌進這個領(lǐng)域，所以深度學習的熱潮還會不斷地持續(xù)下去。
至于醫(yī)學影像發(fā)展，我的結(jié)論不太一樣，在這一領(lǐng)域發(fā)揮作用的可能不只是深度學習等機器學習方法，更重要的生命力可能來源于它們能不能和具體應(yīng)用場景或新技術(shù)結(jié)合。
例如元宇宙、自動手術(shù)機器人等不斷拓寬應(yīng)用場景和加強應(yīng)用滲透度，和不同方法結(jié)合才能發(fā)揮更大前景。
鄭冶楓：深度學習會繼續(xù)持續(xù)一段時間，具體多久無法確定。
但事實上，現(xiàn)在的深度學習已經(jīng)沒有以前那么熱了，頂會論文增長沒有那么快，現(xiàn)在這個市場容不下這么多人。
至于深度學習會不會被取代，我記得80年代的時候神經(jīng)網(wǎng)絡(luò)技術(shù)也很火，但后來就直線下降，因為支持向量等替代技術(shù)，實際應(yīng)用中比神經(jīng)網(wǎng)絡(luò)更好。
目前，我還沒有看到可以替代深度學習的技術(shù)，頂會論文還都是深度學習文章，至少三五年內(nèi)沒有看到替代深度學習的理論。
我覺得深度學習的產(chǎn)業(yè)化情況總體趨勢還比較好，在人臉識別、語音識別上都有很多成功應(yīng)用。雖然醫(yī)學影像的AI應(yīng)用發(fā)展要慢一些，但至少大家都已經(jīng)拿到證了，至于商業(yè)化是否成功，還需要幾年觀察。
簡介：沈定剛教授在美國工作20年（從Hopkins，UPenn，到UNC，都在醫(yī)學院的放射科）；在此期間，為國內(nèi)培養(yǎng)近200位留學生/博士后/訪問學者，有40位左右成為國內(nèi)的院長/副院長、系主任/副系主任、放射科主任/副主任，還有不少人獲得國家級和地方人才計劃?；貒埃蚨▌偨淌谠赨NC的 IDEA Lab 有70-80人，去年11月，他在上科大重建IDEA Lab，現(xiàn)在已有50多人，歡迎各位加入。
作為行業(yè)的權(quán)威學者，沈定剛教授在頂刊IEEE TMI、Medical Image Analysis雜志和頂會MICCAI上發(fā)表了全世界最多的論文，分別是72篇、64篇及411篇。
MICCAI 2019大會主席、上?？萍即髮W生物醫(yī)學工程學院創(chuàng)始院長 沈定剛
以下為詳細內(nèi)容：
今天的 “IEEE Fellow圓桌對話“ 里的每一個人，我都非常熟悉。
主持人馮前進，2021年剛成為長江學者。前進2008年到我UNC的IDEA Lab做博士后；博士后期間，不光在學術(shù)研究方面得到了全面的、深入的訓練，更重要的是也學到了做研究、指導學生的新方法，這為他回國后有效領(lǐng)導他的研究小組起了很大的作用。
回國以后，他的研究組發(fā)表越來越多的 international journal papers，他們發(fā)表在 頂級影像雜志IEEE TMI上的文章在國內(nèi)名列前茅。前進BME學院里的很多老師、學生都在我原來的UNC IDEA Lab訓練過。
蔣田仔是我20多年的朋友，我們2000年在CVPR上認識，成為好朋友。田仔一直專注于醫(yī)學圖像的研究，他是腦網(wǎng)絡(luò)研究的引領(lǐng)者，國內(nèi)不少有名的腦網(wǎng)絡(luò)研究者來自他的實驗室；
我之前的不少博士后也來自于田仔的實驗室。田仔在科研上堅持做原創(chuàng)工作，取得很多世界領(lǐng)先的水平成果（特別是腦圖譜研究），相信田仔將來會獲得更多的成果。
周少華，2006年在丹麥的MICCAI認識他。少華在醫(yī)學圖像領(lǐng)域一直做著創(chuàng)新的研發(fā)工作，他早期的image regression研究已在不同方面得到了廣泛應(yīng)用。同時，少華是我們領(lǐng)域的熱心者，建立了很多專業(yè)微信群，促進同行的交流。
李純明和彭漢川都來自我美國的同一個Lab，算是我的師弟了。
漢川當年從香港去Johns Hopkins做博士后時，我去機場接他的，他非常早到機場。漢川后來去了UC Berkeley，他那時做的mRMR特征選擇方法，已被引用了一萬多次。
后來漢川又開始做新領(lǐng)域，特別是轉(zhuǎn)做腦大數(shù)據(jù)采集、可視化、分析、知識挖掘、腦圖譜建立等工作，做得越來越好，在Nature、Cell等上發(fā)表了很多論文，包括最在Nature又發(fā)表的論文等。
李純明，在我離開UPenn 的 Lab以后加入的；當然，我們很早就認識了。純明的工作，之前的國內(nèi)研究者應(yīng)該比較熟悉，不少人跟著他做level set，他的好幾篇level set方面的論文都被引用了幾千次。
純明近年了組織的 "圖像計算與數(shù)字醫(yī)學國際研討會“，在領(lǐng)域中有較大的影響力。
鄭冶楓，因為與我在同一領(lǐng)域——MICCAI領(lǐng)域，我們認識很長時間。冶楓的 “投影空間學習法” 在領(lǐng)域內(nèi)比較有名，在醫(yī)學影像的器官快速檢測與分割中有較好的表現(xiàn)。
從我們指導學生、帶領(lǐng)年輕從業(yè)者的實際經(jīng)驗來看，我們在學習AI的過程中，應(yīng)該注意下面3個現(xiàn)象：
1） 跟風：大家可能都跟熱點，包括應(yīng)用場景和具體方法?；旧鲜歉撐?、比賽走。從論文中學到方法和應(yīng)用，然后找論文中的問題，解決一個小問題，發(fā)表文章。
也就是從文章中來，回到文章中去，在文章里循環(huán)；沒有從實際中找問題，為實際問題提供解決方案。也就是，沒有做 "來自臨床、高于臨床、回歸臨床“ 的工作。
要解決這個問題，導師的作用非常重要，需要導師在初期引導學生/年輕人到正確的方向（包括臨床場景、研究方法等）。
導師開始時要帶著學生做研究，而不是給學生簡單說一下方向，讓沒有經(jīng)驗的學生自己去做；那樣的話，找好的臨床問題、好的研究方法的可能性比較低。
2） 不深入：很多時候我們做完一個工作（可能只是其中的一個小問題），馬上move到另外一個方向/課題，或者使用另外一個popular的方法，這樣工作沒有延續(xù)性。這個問題跟上面提到的 "跟風“ 問題非常相關(guān)。
正因為沒有一個具體的臨床問題去解決，看到新的文章、新的方法、新的比賽數(shù)據(jù)，拿過來就做；等到畢業(yè)的時候，做的問題很難成為一個體系，也解決不了具體問題。
應(yīng)該以一個問題為中心，所有的方法都是為解決這個問題而服務(wù)；做完一個階段性的工作，然后來深入review當前方法的limitation。
再來propose新的方法（這些方法也許是最近提出的新方法，或者經(jīng)典的老方法），來解決當前的limitation，這樣做的工作會越來越深入，最后的工作也會有體系、整體性。
3） 不實際：這個問題跟 "跟風“ 也有關(guān)系。如果我們在文章中找問題、公開數(shù)據(jù)中找方法，對于數(shù)據(jù)是怎么來的、怎么做預處理、怎么考慮從數(shù)據(jù)到結(jié)果的整體解決方案，都沒有機會去學習、沒有能力去解決。
這樣沒法跟醫(yī)生做真正的合作，因為我們知道的只是其中一步，而醫(yī)生需要解決的實際問題可能更復雜。其實，我們需要對問題的整體有全面的了解，雖然我們具體 focus的問題可能是其中一個問題。
另外，解決實際問題時，影像只是其中一部分的信息，我們需要考慮臨床中用到的其他信息，來有效解決臨床痛點。
歸納一下，我們應(yīng)該做我通常強調(diào)的 "全棧全譜” 的工作。
上面講了我們學習、工作初期的3種現(xiàn)象，大家可能也關(guān)心AI的前途，特別是當前AI的熱度，以及可能的工資、待遇變化等。其實：
1） 過去AI被炒作得過分熱。在醫(yī)療上面的應(yīng)用，以前鼓吹A(chǔ)I要代替醫(yī)生，這其實是門外漢的自我想象。
我們2017年就指出，這是不可能的；AI只能解決臨床流程中的某些點上的某些問題，還沒有能力去解決復雜的問題，還是需要醫(yī)生作為AI工具的使用者，在臨床流程中幫助醫(yī)生，幫助病人，幫助醫(yī)院管理，甚至醫(yī)聯(lián)體的管理。所有的AI都需要與實際臨床問題緊密結(jié)合，才能很好解決臨床問題。
2） 另外我們還需要深耕、練功。接地氣的AI有廣泛的應(yīng)用，所以AI的前途非常光明；與垂直領(lǐng)域有機結(jié)合，我們可以一個問題一個問題去解決。
為了做到這些，我們還需要深耕臨床場景、練好我們解決實際問題的功夫，這樣我們的benefit（包括工資、待遇）都會越來越好。
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。
