一個(gè)不爭(zhēng)的事實(shí)是，在醫(yī)學(xué)影像分析領(lǐng)域，華人學(xué)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(xué)者當(dāng)選IEEE Fellow（一年IEEE約有250名左右的Fellow產(chǎn)生，相當(dāng)于會(huì)員總數(shù)的0.1%）。

IEEE全稱是電氣與電子工程師協(xié)會(huì)，醫(yī)學(xué)影像作為其中相對(duì)“小眾”的一個(gè)類別，獲此殊榮殊為不易。

論文的接受數(shù)量，也進(jìn)一步佐證了這一現(xiàn)象。

2019年，華人學(xué)者沈定剛教授成為MICCAI大會(huì)主席，他曾以MICCAI為例，向雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))分享過一組數(shù)據(jù)：

在相當(dāng)長(zhǎng)的一段時(shí)間里，國(guó)內(nèi)（包括香港）每年有十篇左右的文章會(huì)被（MICCAI）接收，比例只有3%-4%。

但這個(gè)現(xiàn)象在2019年完全不同——亞洲的錄取文章比例已經(jīng)達(dá)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(guó)。

在兩年后的今天，這種學(xué)術(shù)趨勢(shì)越來越明顯。對(duì)學(xué)者而言，如何做出有水平的研究成果，實(shí)現(xiàn)高效的產(chǎn)研轉(zhuǎn)化進(jìn)而造福人類，是畢生的追求。

近日，由雷峰網(wǎng)與圖像計(jì)算與數(shù)字醫(yī)學(xué)國(guó)際研討會(huì)（ISICDM）聯(lián)合主辦的"IEEE Fellow圓桌對(duì)話"，邀請(qǐng)了近三年來當(dāng)選IEEE Fellow的五位學(xué)者，圍繞醫(yī)學(xué)影像產(chǎn)學(xué)研融合的話題進(jìn)行了深入探討。

中國(guó)科學(xué)院自動(dòng)化所研究員蔣田仔

中國(guó)科學(xué)技術(shù)大學(xué)講席教授暨生物醫(yī)學(xué)工程學(xué)院創(chuàng)始執(zhí)行院長(zhǎng)周少華

電子科技大學(xué)電子工程學(xué)院教授李純明

東南大學(xué)腦科學(xué)與智能技術(shù)研究院創(chuàng)院院長(zhǎng)彭漢川

騰訊天衍實(shí)驗(yàn)室主任鄭冶楓

圓桌由南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院的馮前進(jìn)院長(zhǎng)擔(dān)任主持；MICCAI 2019大會(huì)主席、上海科技大學(xué)生物醫(yī)學(xué)工程學(xué)院創(chuàng)始院長(zhǎng)沈定剛教授進(jìn)行致辭，對(duì)青年AI學(xué)術(shù)人的治學(xué)提出了諸多建議。（文后附致辭詳細(xì)內(nèi)容）

以下是圓桌論壇的現(xiàn)場(chǎng)內(nèi)容，雷峰網(wǎng)《醫(yī)健AI掘金志》做了不改變?cè)獾木庉嫼驼恚?/strong>

南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院院長(zhǎng)  馮前進(jìn)

馮前進(jìn)：近年來，越來越多華人在醫(yī)學(xué)影像分析領(lǐng)域做出了杰出成就而當(dāng)選IEEE Fellow，包括在座各位專家。請(qǐng)大家談?wù)効蒲械慕?jīng)驗(yàn)與感想，如何做高水平、有影響力的學(xué)術(shù)研究？

蔣田仔：每個(gè)人對(duì)高水平定義肯定不一樣，我覺得對(duì)這個(gè)領(lǐng)域或社會(huì)有意義的事，才是高水平。

我原來搞數(shù)學(xué)，從本科、博士都是學(xué)數(shù)學(xué)，后來做腦科學(xué)，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(shí)問題。

我們申請(qǐng)科技部“973項(xiàng)目”的時(shí)候，分析了以前的問題。

發(fā)現(xiàn)腦科學(xué)研究缺乏一個(gè)靠譜的腦圖譜，所以，我們的項(xiàng)目設(shè)計(jì)了有三個(gè)主題：腦圖譜、腦連接、疾病的腦網(wǎng)絡(luò)表征。

該項(xiàng)目繪制的“腦網(wǎng)絡(luò)組圖譜”臨床影響就很深遠(yuǎn)，因?yàn)橛泻芏嗯R床應(yīng)用場(chǎng)景，包括精準(zhǔn)診療的生物標(biāo)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(diǎn)。我博士做人臉識(shí)別，后來“誤打誤撞”加入西門子醫(yī)療開始醫(yī)學(xué)影像的研究，研究了很多來自臨床實(shí)踐的問題。

我覺得臨床實(shí)踐才是醫(yī)學(xué)影像研究比較好的途徑，因?yàn)閷?shí)際臨床問題是重要的問題來源。

真的能解決某個(gè)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(gè)人背景談一下我的看法，我本碩都是數(shù)學(xué)，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(xué)影響比較深一點(diǎn)。所以我的研究偏數(shù)學(xué)一些，看法可能有些偏頗。

針對(duì)做算法的文章來講，我認(rèn)為一篇有長(zhǎng)久影響力的論文應(yīng)該具備以下四個(gè)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(dú)特，這樣才能成為作者的一張名片。

第二，有效性。文章里的實(shí)驗(yàn)結(jié)果首先要可復(fù)現(xiàn)，而且要有優(yōu)勢(shì)，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(xué)模型上就能夠清晰地解釋方法的工作機(jī)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(yuǎn)的影響力。

第四，簡(jiǎn)潔性。文章的數(shù)學(xué)模型、公式和算法的表達(dá)都要盡可能簡(jiǎn)潔。

因?yàn)楹?jiǎn)潔可以讓很多人在此基礎(chǔ)做進(jìn)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(jìn)一步的研究，也更容易被記住。一篇經(jīng)典的論文或一個(gè)fundamental的貢獻(xiàn)往往具有簡(jiǎn)潔性。

現(xiàn)在很多深度學(xué)習(xí)論文的同質(zhì)化比較嚴(yán)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(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果取勝，就是人們常說的“刷分?jǐn)?shù)”，但因?yàn)槿狈碚撔远荒茏屓诵姆诜?，也許換一個(gè)數(shù)據(jù)集結(jié)果就分?jǐn)?shù)很差。

而且，一個(gè)方法在某個(gè)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(zhǎng)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(xiàng)目，比較容易看到臨床的巨大需求。但許多研究相對(duì)比較小眾，項(xiàng)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(zhǎng)期研究人工智能項(xiàng)目，博士后階段后才開始做放射科學(xué)、醫(yī)學(xué)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(dá)研究，還有單細(xì)胞影像數(shù)據(jù)等等，逐步意識(shí)到，生命科學(xué)影像數(shù)據(jù)可以比傳統(tǒng)醫(yī)學(xué)影像數(shù)量級(jí)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(jìn)一步擴(kuò)大，于是我嘗試了很多方法學(xué)創(chuàng)新，其中也借鑒醫(yī)學(xué)影像方法改進(jìn)，但大量創(chuàng)新研究導(dǎo)致了全新的多維影像大數(shù)據(jù)平臺(tái)并得到越來越廣泛應(yīng)用，現(xiàn)在也開始對(duì)醫(yī)學(xué)影像數(shù)據(jù)處理產(chǎn)生了一些促進(jìn)作用。

所以個(gè)人體會(huì)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(gè)過程中會(huì)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(shí)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(huì)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(guó)研究院共事十幾年，工業(yè)界和學(xué)術(shù)界研究不太一樣。

學(xué)術(shù)界比較自由，瞄準(zhǔn)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(shí)際問題，都是醫(yī)生迫切需要解決的好問題。

研究目標(biāo)就是解決這些需求，所以我們被逼著死磕這些問題，確實(shí)有些問題很重要，但解決起來非常難，一旦解決就能推進(jìn)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(dòng)脈，冠狀動(dòng)脈非常細(xì)，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(dāng)時(shí)，我們參考了學(xué)術(shù)界方法，引入機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，得到比較好的結(jié)果。

馮前進(jìn)：深度學(xué)習(xí)興起后，醫(yī)學(xué)影像AI領(lǐng)域涌現(xiàn)一大波論文，這些論文與前深度學(xué)習(xí)時(shí)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(xué)習(xí)出來之后，最近5、6年所有方法都被深度學(xué)習(xí)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(jìn)。

例如，現(xiàn)在模型越來越大，達(dá)到千億、萬億級(jí)別參數(shù)的模型。搞得許多研究機(jī)構(gòu)根本跟不上，像GPT那種需要幾百、幾千個(gè)GPU訓(xùn)練的模型，大部分實(shí)驗(yàn)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(xué)影像沒有那么多優(yōu)質(zhì)數(shù)據(jù)，幾千個(gè)數(shù)據(jù)就是很大的數(shù)據(jù)集，這種情況下我會(huì)更聚焦算法創(chuàng)新。

除此之外，深度學(xué)習(xí)時(shí)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(gè)好的現(xiàn)象，研究方式手段還要豐富多彩。

在深度學(xué)習(xí)如此火熱的當(dāng)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(yàn)知識(shí)，而不是數(shù)據(jù)，用先驗(yàn)經(jīng)驗(yàn)設(shè)計(jì)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(xué)習(xí)結(jié)合，在數(shù)據(jù)量比較少的情況下提高準(zhǔn)確率。

比如，傳統(tǒng)的字典學(xué)習(xí)是生成模型，一般優(yōu)化重建圖像的損失，而在測(cè)試階段是作為分類模型使用的，訓(xùn)練目標(biāo)和測(cè)試目標(biāo)不一致。

將字典學(xué)習(xí)和深度學(xué)習(xí)結(jié)合，我們可以做到端到端學(xué)習(xí)，訓(xùn)練和測(cè)試的設(shè)置一致，可以提高準(zhǔn)確率。我們將這個(gè)方法用于CT圖像去金屬偽影，取得不錯(cuò)的效果。

最近幾篇論文都是這個(gè)方向，因此我還是希望傳統(tǒng)方法能和機(jī)器學(xué)習(xí)有機(jī)結(jié)合起來，發(fā)揮兩者優(yōu)點(diǎn)。

中國(guó)科學(xué)院自動(dòng)化所研究員   蔣田仔

蔣田仔：深度學(xué)習(xí)只是一種方法，很多人把深度學(xué)習(xí)當(dāng)作人工智能，認(rèn)為人工智能就是深度學(xué)習(xí)。我覺得這值得思考，甚至要潑一些冷水。

2006年深度學(xué)習(xí)出來的時(shí)候，我就叫學(xué)生看了，但用處不明顯。因?yàn)樯疃葘W(xué)習(xí)需要大量高質(zhì)量、有標(biāo)簽的數(shù)據(jù)，對(duì)數(shù)據(jù)和人工要求都非常大，當(dāng)時(shí)還不滿足條件。

后來的深度學(xué)習(xí)越來越熱是因?yàn)樵S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(xué)習(xí)無法解決的，例如腦疾病問題需要最后追溯到哪個(gè)腦區(qū)和網(wǎng)絡(luò)的損傷形成的，一般深度學(xué)習(xí)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(huì)出現(xiàn)深度學(xué)習(xí)更好的方法，但每個(gè)方法都有其優(yōu)缺點(diǎn)。

彭漢川：我是1994年開始學(xué)習(xí)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(shí)間在早期先驅(qū)的原始代碼上做各種實(shí)驗(yàn)也提出了一些新方法。

后來有幸又和做Bayesian Networks的首個(gè)學(xué)習(xí)算法提出者合作兩年，做了醫(yī)學(xué)圖像數(shù)據(jù)挖掘的研究，之后大約進(jìn)行了近20年的生物影像信息學(xué)大數(shù)據(jù)新領(lǐng)域的開拓和研究。

針對(duì)主持人的問題，我現(xiàn)在認(rèn)為當(dāng)今腦科學(xué)、生命科學(xué)研究和深度學(xué)習(xí)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(shí)在很多工作中取得很好效果。對(duì)此，還是應(yīng)該保持歡迎趨勢(shì)而不是抗拒。

學(xué)術(shù)圈一種觀點(diǎn)認(rèn)為，這雖然叫深度學(xué)習(xí)，但不一定有“深度”。但深度學(xué)習(xí)好不好，還需要看應(yīng)用場(chǎng)景。

例如，通過數(shù)據(jù)集成，在單個(gè)顯卡訓(xùn)練或運(yùn)算就能達(dá)到前所未有的效果，對(duì)學(xué)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(xué)影像等現(xiàn)實(shí)需求中有大量問題，并不適用于深度學(xué)習(xí)方法。

例如，數(shù)據(jù)傳輸問題就不能被簡(jiǎn)單使用分類策略解決，數(shù)據(jù)可視化和標(biāo)注也需要使用特定策略，不能簡(jiǎn)單套用所謂深度學(xué)習(xí)的框架。

實(shí)際上，一套醫(yī)學(xué)影像AI系統(tǒng)不只是有深度學(xué)習(xí)模塊，還有結(jié)果驗(yàn)證、校驗(yàn)、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(gè)特定分類問題。

根據(jù)應(yīng)用場(chǎng)景，我們可能不會(huì)只使用深度學(xué)習(xí)這一類方法；能解決問題同時(shí)又較少帶來新問題的方法是最好的方法。

電子科技大學(xué)電子工程學(xué)院教授   李純明

李純明：我想說的有兩點(diǎn)。

第一，現(xiàn)在的深度學(xué)習(xí)文章或方法同質(zhì)化比較嚴(yán)重，大家可能覺得每個(gè)文章都能提出創(chuàng)新點(diǎn)，但方法上都大同小異，同質(zhì)化比較嚴(yán)重，大批文章都比較類似。

同質(zhì)化也造成一個(gè)很嚴(yán)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(huì)出現(xiàn)一個(gè)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(jìn)入學(xué)術(shù)界，這些人進(jìn)來之后就導(dǎo)致很多不好，水平比較差或沒創(chuàng)新的文章被錄用進(jìn)來，產(chǎn)生惡性循環(huán)。

這和十幾年前的學(xué)術(shù)界很不一樣，當(dāng)時(shí)的文章都比較注重理論創(chuàng)新，要有所突破。當(dāng)然，其中也有人刻意加很多數(shù)學(xué)公式，把文章搞得很復(fù)雜，導(dǎo)致審稿非常困難，和現(xiàn)在正好相反。

周少華：我再補(bǔ)充一點(diǎn)，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(rèn)為，深度學(xué)習(xí)是目前發(fā)現(xiàn)的一個(gè)最好的方法，過去的先驗(yàn)知識(shí)，或其它傳統(tǒng)方法也都是數(shù)據(jù)分布的刻劃，這一點(diǎn)上深度學(xué)習(xí)或許是一個(gè)最完美的手段。

當(dāng)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(xué)習(xí)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(xué)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(jìn)：在產(chǎn)學(xué)研融合方面，醫(yī)學(xué)影像分析是一個(gè)交叉性質(zhì)十分鮮明的學(xué)科，需要與醫(yī)生進(jìn)行廣泛、深入的交流，要將一個(gè)好的模型轉(zhuǎn)化為醫(yī)生使用順手的工具有很長(zhǎng)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(shí)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(gè)標(biāo)注，和樣本分類的需求，具體可分為幾個(gè)方面：

第一，對(duì)二維數(shù)據(jù)進(jìn)行快速標(biāo)注，這方面的工具有很多，需求和開發(fā)都比較簡(jiǎn)單；

第二，三維或多維影像的數(shù)據(jù)的標(biāo)注，需要開發(fā)全新的算法。傳統(tǒng)處理三位數(shù)據(jù)標(biāo)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(jìn)行直接標(biāo)注。

這在生命科學(xué)領(lǐng)域是一個(gè)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(duì)三維影像數(shù)據(jù)進(jìn)行快速標(biāo)注，不需要單獨(dú)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(shí)工作，結(jié)合云計(jì)算把使用者和觀察者放到海量數(shù)據(jù)中間，做出這個(gè)領(lǐng)域的世界第一套標(biāo)注系統(tǒng)。

相信這樣的系統(tǒng)未來會(huì)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(chǎng)景變得更加生動(dòng)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(zhǔn)確地產(chǎn)生診斷報(bào)告，將各種需求、研究和實(shí)際使用者聯(lián)系起來，產(chǎn)出實(shí)際價(jià)值。

蔣田仔：這是我選擇回國(guó)的主要原因之一，和醫(yī)生合作是中國(guó)的一個(gè)優(yōu)勢(shì)。

我回國(guó)這20年時(shí)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(jià)值的，哪些工作是沒價(jià)值。

所以我最開始做973項(xiàng)目的時(shí)候，直接就選擇了神經(jīng)精神疾病作為應(yīng)用場(chǎng)景，雖然這件事到現(xiàn)在還沒有在臨床應(yīng)用，可能有幾點(diǎn)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(qiáng)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(gè)樣本，如果分成不同亞型，一種亞型就只有幾個(gè)樣本。所以，從科研角度好像有一些進(jìn)展。但對(duì)于臨床醫(yī)生來說，根本沒意義，樣本量太小。

所以，醫(yī)學(xué)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?yàn)槲疫^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?biāo)注就到此為止，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(shí)，也沒有解決他們臨床上的需求。

騰訊天衍實(shí)驗(yàn)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(gè)產(chǎn)品開發(fā)，這些產(chǎn)品最后也都在醫(yī)院落地，有機(jī)會(huì)去看看醫(yī)生的使用情況和收集反饋。

所以我也列舉一個(gè)親身的案例——當(dāng)時(shí)在西門子開發(fā)的一個(gè)主動(dòng)脈瓣膜微創(chuàng)置換手術(shù)導(dǎo)航系統(tǒng)。

這個(gè)手術(shù)非常復(fù)雜，過去死亡率達(dá)到10%。主動(dòng)脈瓣膜是一個(gè)單向流動(dòng)的閥門，如果鈣化以后就會(huì)導(dǎo)致閥門關(guān)不嚴(yán)，血液回流，最終導(dǎo)致全身缺血，嚴(yán)重到一定程度就需要置換。

這個(gè)手術(shù)以前都需要開胸，把心臟打開，瓣膜縫進(jìn)去，操作風(fēng)險(xiǎn)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(gè)小瓣膜，從大腿根部動(dòng)脈插進(jìn)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(gè)手術(shù)創(chuàng)傷非常小，死亡率也很低。

但要實(shí)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(huì)對(duì)腎臟造成傷害，出現(xiàn)急性腎衰竭的風(fēng)險(xiǎn)。

我們了解到這個(gè)需求之后，了解到他們需要一個(gè)盡量不開X光、不打顯影劑的導(dǎo)航系統(tǒng)，來找到瓣膜的位置，什么時(shí)候可以放置。

記得當(dāng)時(shí)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(jī)繞病人旋轉(zhuǎn)一圈，生成一個(gè)CT，之后實(shí)時(shí)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(gè)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?yàn)榘昴ぶ脫Q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(dá)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(huì)覺得熬了這么多夜做出來的東西確實(shí)真實(shí)有用，也很有成就感。

馮前進(jìn)：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(dǎo)致？產(chǎn)學(xué)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(shí)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(guó)內(nèi)醫(yī)療系統(tǒng)收費(fèi)模式和國(guó)外有差別，例如，影像診斷是和設(shè)備費(fèi)用打包在一起，并不會(huì)獨(dú)立算影像診斷費(fèi)用，因此，我們的AI算法不能獨(dú)立收費(fèi)。

而美國(guó)診斷費(fèi)用和設(shè)備費(fèi)用是分開的，診斷費(fèi)用和設(shè)備費(fèi)用基本等價(jià)的，所以美國(guó)的人工成本非常高，有一些AI算法可以獨(dú)立收費(fèi)，甚至專門有一個(gè)類別可以報(bào)銷，但國(guó)內(nèi)的AI算法沒法獨(dú)立收費(fèi)。

所以，對(duì)醫(yī)院來說購(gòu)買一個(gè)AI產(chǎn)品就增加了一項(xiàng)成本，真正采購(gòu)的醫(yī)院比較少。當(dāng)然，整體環(huán)境正在改變，收費(fèi)模式可能也會(huì)改變。但就現(xiàn)階段而言，國(guó)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(gè)特定任務(wù)取得不錯(cuò)成果，拿證也都是獨(dú)立病種一個(gè)個(gè)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(bào)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(gè)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(diǎn)疾病診斷準(zhǔn)確率，但不能節(jié)省工作量。醫(yī)生還需要自己詳細(xì)看一遍其它疾病，導(dǎo)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(diǎn)能力，不能全面幫助醫(yī)生，導(dǎo)致不能被臨床普遍接受。

蔣田仔：非常贊同鄭教授觀點(diǎn)，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(jī)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(chǎng)，最終能不能落地，有沒有人用這個(gè)產(chǎn)品都完全無法確定。

我們也有一個(gè)公司在做這方面研究，都選擇醫(yī)生看到這個(gè)需求和方向，我們?cè)谘杆俑M(jìn)研究，這樣的產(chǎn)品出來之后，可能更容易在臨床落地。

中國(guó)科學(xué)技術(shù)大學(xué)講席教授暨生物醫(yī)學(xué)工程學(xué)院創(chuàng)始執(zhí)行院長(zhǎng)  周少華

周少華：AI落地最大痛點(diǎn)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(biāo)準(zhǔn)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(xùn)練數(shù)據(jù)，做過很多測(cè)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(rèn)可，還要解決實(shí)際臨床問題。自己在2018年前曾經(jīng)預(yù)測(cè)深度學(xué)習(xí)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(xué)習(xí)會(huì)降溫，但AlphaFold又在生物計(jì)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(huì)激勵(lì)一些人繼續(xù)加入深度學(xué)習(xí)的學(xué)術(shù)研究和創(chuàng)業(yè)。

所以，我現(xiàn)在都不太敢預(yù)測(cè)了。所以大家即使看到深度學(xué)習(xí)有很多問題，但未來還會(huì)繼續(xù)發(fā)展，但應(yīng)該會(huì)朝著更理性方向發(fā)展，比如進(jìn)一步提高深度學(xué)習(xí)的可解釋性，或與傳統(tǒng)方法結(jié)合。

東南大學(xué)腦科學(xué)與智能技術(shù)研究院創(chuàng)院院長(zhǎng)   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(yùn)營(yíng)的問題。

AI產(chǎn)品本身是一個(gè)新技術(shù)，拿到證只是標(biāo)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(chǎng)，至于落地難本身就是運(yùn)營(yíng)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(yùn)營(yíng)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(chǎng)問題，是公司運(yùn)營(yíng)的問題。

至于深度學(xué)習(xí)的熱度會(huì)持續(xù)多久，我覺得會(huì)持續(xù)很久，因?yàn)楝F(xiàn)在深度學(xué)習(xí)參與者數(shù)量不斷增加，越來越多的人在涌進(jìn)這個(gè)領(lǐng)域。

此外，在實(shí)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(shí)驗(yàn)突破，技術(shù)成功，創(chuàng)業(yè)成功，上市成功，這會(huì)吸引更多人涌進(jìn)這個(gè)領(lǐng)域，所以深度學(xué)習(xí)的熱潮還會(huì)不斷地持續(xù)下去。

至于醫(yī)學(xué)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(xué)習(xí)等機(jī)器學(xué)習(xí)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(chǎng)景或新技術(shù)結(jié)合。

例如元宇宙、自動(dòng)手術(shù)機(jī)器人等不斷拓寬應(yīng)用場(chǎng)景和加強(qiáng)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(xué)習(xí)會(huì)繼續(xù)持續(xù)一段時(shí)間，具體多久無法確定。

但事實(shí)上，現(xiàn)在的深度學(xué)習(xí)已經(jīng)沒有以前那么熱了，頂會(huì)論文增長(zhǎng)沒有那么快，現(xiàn)在這個(gè)市場(chǎng)容不下這么多人。

至于深度學(xué)習(xí)會(huì)不會(huì)被取代，我記得80年代的時(shí)候神經(jīng)網(wǎng)絡(luò)技術(shù)也很火，但后來就直線下降，因?yàn)橹С窒蛄康忍娲夹g(shù)，實(shí)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(xué)習(xí)的技術(shù)，頂會(huì)論文還都是深度學(xué)習(xí)文章，至少三五年內(nèi)沒有看到替代深度學(xué)習(xí)的理論。

我覺得深度學(xué)習(xí)的產(chǎn)業(yè)化情況總體趨勢(shì)還比較好，在人臉識(shí)別、語音識(shí)別上都有很多成功應(yīng)用。雖然醫(yī)學(xué)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。

沈定剛教授致辭：對(duì)青年AI學(xué)術(shù)人的建議

簡(jiǎn)介：沈定剛教授在美國(guó)工作20年（從Hopkins，UPenn，到UNC，都在醫(yī)學(xué)院的放射科）；在此期間，為國(guó)內(nèi)培養(yǎng)近200位留學(xué)生/博士后/訪問學(xué)者，有40位左右成為國(guó)內(nèi)的院長(zhǎng)/副院長(zhǎng)、系主任/副系主任、放射科主任/副主任，還有不少人獲得國(guó)家級(jí)和地方人才計(jì)劃?；貒?guó)前，沈定剛教授在UNC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(xué)者，沈定剛教授在頂刊IEEE TMI、Medical Image Analysis雜志和頂會(huì)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(huì)主席、上?？萍即髮W(xué)生物醫(yī)學(xué)工程學(xué)院創(chuàng)始院長(zhǎng)  沈定剛

以下為詳細(xì)內(nèi)容：

今天的 “IEEE Fellow圓桌對(duì)話“ 里的每一個(gè)人，我都非常熟悉。

主持人馮前進(jìn)，2021年剛成為長(zhǎng)江學(xué)者。前進(jìn)2008年到我UNC的IDEA Lab做博士后；博士后期間，不光在學(xué)術(shù)研究方面得到了全面的、深入的訓(xùn)練，更重要的是也學(xué)到了做研究、指導(dǎo)學(xué)生的新方法，這為他回國(guó)后有效領(lǐng)導(dǎo)他的研究小組起了很大的作用。

回國(guó)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(jí)影像雜志IEEE TMI上的文章在國(guó)內(nèi)名列前茅。前進(jìn)BME學(xué)院里的很多老師、學(xué)生都在我原來的UNC IDEA Lab訓(xùn)練過。

蔣田仔是我20多年的朋友，我們2000年在CVPR上認(rèn)識(shí)，成為好朋友。田仔一直專注于醫(yī)學(xué)圖像的研究，他是腦網(wǎng)絡(luò)研究的引領(lǐng)者，國(guó)內(nèi)不少有名的腦網(wǎng)絡(luò)研究者來自他的實(shí)驗(yàn)室；

我之前的不少博士后也來自于田仔的實(shí)驗(yàn)室。田仔在科研上堅(jiān)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(huì)獲得更多的成果。

周少華，2006年在丹麥的MICCAI認(rèn)識(shí)他。少華在醫(yī)學(xué)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(shí)，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(jìn)同行的交流。

李純明和彭漢川都來自我美國(guó)的同一個(gè)Lab，算是我的師弟了。

漢川當(dāng)年從香港去Johns Hopkins做博士后時(shí)，我去機(jī)場(chǎng)接他的，他非常早到機(jī)場(chǎng)。漢川后來去了UC Berkeley，他那時(shí)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(shí)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(dāng)然，我們很早就認(rèn)識(shí)了。純明的工作，之前的國(guó)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(jì)算與數(shù)字醫(yī)學(xué)國(guó)際研討會(huì)“，在領(lǐng)域中有較大的影響力。

鄭冶楓，因?yàn)榕c我在同一領(lǐng)域——MICCAI領(lǐng)域，我們認(rèn)識(shí)很長(zhǎng)時(shí)間。冶楓的 “投影空間學(xué)習(xí)法” 在領(lǐng)域內(nèi)比較有名，在醫(yī)學(xué)影像的器官快速檢測(cè)與分割中有較好的表現(xiàn)。

從我們指導(dǎo)學(xué)生、帶領(lǐng)年輕從業(yè)者的實(shí)際經(jīng)驗(yàn)來看，我們?cè)趯W(xué)習(xí)AI的過程中，應(yīng)該注意下面3個(gè)現(xiàn)象：

1） 跟風(fēng)：大家可能都跟熱點(diǎn)，包括應(yīng)用場(chǎng)景和具體方法?；旧鲜歉撐摹⒈荣愖?。從論文中學(xué)到方法和應(yīng)用，然后找論文中的問題，解決一個(gè)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(shí)際中找問題，為實(shí)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(gè)問題，導(dǎo)師的作用非常重要，需要導(dǎo)師在初期引導(dǎo)學(xué)生/年輕人到正確的方向（包括臨床場(chǎng)景、研究方法等）。

導(dǎo)師開始時(shí)要帶著學(xué)生做研究，而不是給學(xué)生簡(jiǎn)單說一下方向，讓沒有經(jīng)驗(yàn)的學(xué)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(shí)候我們做完一個(gè)工作（可能只是其中的一個(gè)小問題），馬上move到另外一個(gè)方向/課題，或者使用另外一個(gè)popular的方法，這樣工作沒有延續(xù)性。這個(gè)問題跟上面提到的 "跟風(fēng)“ 問題非常相關(guān)。

正因?yàn)闆]有一個(gè)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(shí)候，做的問題很難成為一個(gè)體系，也解決不了具體問題。

應(yīng)該以一個(gè)問題為中心，所有的方法都是為解決這個(gè)問題而服務(wù)；做完一個(gè)階段性的工作，然后來深入review當(dāng)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(dāng)前的limitation，這樣做的工作會(huì)越來越深入，最后的工作也會(huì)有體系、整體性。

3） 不實(shí)際：這個(gè)問題跟 "跟風(fēng)“ 也有關(guān)系。如果我們?cè)谖恼轮姓覇栴}、公開數(shù)據(jù)中找方法，對(duì)于數(shù)據(jù)是怎么來的、怎么做預(yù)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(jī)會(huì)去學(xué)習(xí)、沒有能力去解決。

這樣沒法跟醫(yī)生做真正的合作，因?yàn)槲覀冎赖闹皇瞧渲幸徊?，而醫(yī)生需要解決的實(shí)際問題可能更復(fù)雜。其實(shí)，我們需要對(duì)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(gè)問題。

另外，解決實(shí)際問題時(shí)，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(diǎn)。

歸納一下，我們應(yīng)該做我通常強(qiáng)調(diào)的 "全棧全譜” 的工作。

上面講了我們學(xué)習(xí)、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(dāng)前AI的熱度，以及可能的工資、待遇變化等。其實(shí)：

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(shí)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(diǎn)上的某些問題，還沒有能力去解決復(fù)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(shí)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(jī)結(jié)合，我們可以一個(gè)問題一個(gè)問題去解決。

為了做到這些，我們還需要深耕臨床場(chǎng)景、練好我們解決實(shí)際問題的功夫，這樣我們的benefit（包括工資、待遇）都會(huì)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。