0
雷鋒網(wǎng)消息，近日，第四屆圖像計算與數(shù)字醫(yī)學國際研討會（ISICDM 2020），在東北大學國際學術(shù)交流中心閉幕。
此次研討會由國際數(shù)字醫(yī)學會主辦，東北大學和中國醫(yī)科大學聯(lián)合承辦。雷鋒網(wǎng)&醫(yī)健AI掘金志，第四次應ISICDM發(fā)起人、今年當選IEEE Fellow的李純明教授邀請，成為大會首席媒體，全程參與ISICDM的報道。
四年來，ISICDM匯聚了中國、美國、英國、法國、德國、加拿大、荷蘭、瑞士、新加坡、澳大利亞等十國院士，IEEE TIP、IEEE TBME、MedicalImage Analysis等頂級期刊的主編，以及三十多位IEEE Fellow、ACM Fellow，多位中華醫(yī)學會分會主委。
這樣的豪華陣容，讓ISICDM成為國內(nèi)最有影響力的理工醫(yī)交叉會議之一。國內(nèi)外頂級學者的數(shù)百篇學術(shù)報告，已經(jīng)成為醫(yī)學圖像和數(shù)字醫(yī)學領域的研究風向標。
本次研討會，共設置了醫(yī)學圖像與人工智能分會、神經(jīng)影像分析分會、三維可視化與智能診療、圖像重建進展論壇、圖像計算的數(shù)學模型與算法論壇，共8大專題論壇，包含77個專題報告和多個交流環(huán)節(jié)。
新加坡國家科學院院士沈佐偉教授、瑞士工程科學院院士Michael Unser教授、美國國家發(fā)明家科學院院士王革教授、歐洲科學院外籍院士蔣田仔博士等四位院士蒞臨本次大會。
與此同時，“計算解剖學”創(chuàng)始人、約翰霍普金斯大學Michael I.Miller教授；圖像處理頂級期刊IEEE TIP副主編、弗吉尼亞大學Gustavo Rohde博士；MICCAI 2020程序委員會聯(lián)席主席、中科院計算所周少華教授；中國科學院自動化研究所、北航-首醫(yī)大數(shù)據(jù)精準醫(yī)療高精尖創(chuàng)新中心主任田捷教授等多位嘉賓也在大會各環(huán)節(jié)發(fā)言。
四大院士，聚焦醫(yī)學AI前沿技術(shù)
美國國家發(fā)明家科學院院士、紐約倫斯勒理工學院講座教授王革，圍繞圖像重建+AI的結(jié)合，發(fā)表了《Deep Learning & Computed Tomography》的主題演講。
多年來，王革教授在CT成像、在體熒光成像和生物醫(yī)學成像等理論與技術(shù)領域開展了一系列開拓性研究工作，首次提出了螺旋狀錐束CT結(jié)構(gòu)和自發(fā)熒光斷層成像方法，是國際CT成像和醫(yī)學圖像處理領域的杰出專家和學術(shù)權(quán)威，也是當前分子影像領域的重磅人物。
王革表示：“圖像重建和圖像分析是醫(yī)學影像學的兩大支柱，具有很強的互補性，同時也涵蓋醫(yī)學成像的完整工作流程，從斷層掃描原始數(shù)據(jù)特征，到重建圖像、提取診斷特征等?！?/p>
他指出，醫(yī)學影像中，人工智能不僅有助于圖像分析，也有助于圖像重建。利用大數(shù)據(jù)知識，發(fā)展新一代的圖像重建理論、重建技術(shù)和圖像方法，進而提升機器學習對醫(yī)學影像的影響程度。
新加坡國家科學院、發(fā)展中國家科學院院士沈佐偉，發(fā)表了演講——《Image Restoration and Beyond》。
作為國際著名數(shù)學家，沈佐偉為數(shù)據(jù)科學中的理論奠定作出了諸多重要貢獻，尤其在函數(shù)逼近理論與小波分析、圖像處理與壓縮感知 、計算機視覺與機器學習等領域。
他介紹了稀疏逼近理論，以及在圖像處理和壓縮感知領域中的應用，該理論作為一種新興的圖像模型，能夠用盡可能簡潔的方式表示圖像，目前已經(jīng)引起國內(nèi)外廣大學者的普遍關注，是當前的研究熱點與難點。
沈教授表示：“現(xiàn)實中，每一天我們收集起來的各種數(shù)據(jù)繁雜到超出我們的直覺想象，很難想象人們可以對這些復雜的數(shù)據(jù)給出簡單的刻畫，以至于僅僅通過求解幾個數(shù)學方程式，就能解決現(xiàn)實生活中的實際問題。但我們可以退而求其次：以各種各樣具有廣泛實用性的數(shù)學模型來粗略（未必那么精確）地逼近我們所尋求的答案。”
隨后，當選歐洲科學院外籍院士的中國科學院自動化研究所蔣田仔教授，發(fā)表了演講《腦網(wǎng)絡組圖譜及其在理解認知和疾病中的應用》。
目前，腦圖譜的結(jié)構(gòu)和功能研究主要分為三個方向：神經(jīng)元、神經(jīng)元群和腦區(qū)，其中最重要的研究方向就是腦區(qū)。
蔣田仔教授指出，現(xiàn)在的算力還無法滿足神經(jīng)元、神經(jīng)元群這樣的微觀角度研究，更多的腦圖譜研究集中在宏觀領域。
但截止現(xiàn)在，腦區(qū)研究還沒有完成所有腦區(qū)的繪制，許多腦區(qū)劃分依據(jù)大體解剖標志，許多功能復雜腦區(qū)的功能亞區(qū)邊界還不明確，而且既往腦圖譜基本來源于西方人數(shù)據(jù)，不具備東方人特征。
近些年，隨著腦影像數(shù)據(jù)采集設備和技術(shù)的進步，像高場強磁共振成像在活體上的應用、彌散張量成像技術(shù)的發(fā)展，為腦網(wǎng)絡組圖譜繪制提供了新的技術(shù)基礎。
蔣田仔的團隊，基于這樣的新技術(shù)提出利用腦連接信息構(gòu)建腦圖譜的新思想、針對不同腦區(qū)的亞區(qū)劃分方案，實現(xiàn)了腦網(wǎng)絡組圖譜更精細的腦區(qū)劃分。
相較于傳統(tǒng)解剖學方法構(gòu)建的腦圖譜（利希細胞構(gòu)筑腦圖譜），其研發(fā)的首版腦網(wǎng)絡組圖譜包含了共252個大腦皮層腦區(qū)與皮層下核團結(jié)構(gòu)，而且在體定量描繪不同腦區(qū)、亞區(qū)解剖與功能連接模式，并對每個亞區(qū)進行了細致的功能描述。
此外，瑞士工程科學院院士Michael Unser也在大會進行了演講，其演講主題為《From model-based to data-based medical image reconstruction》。
作為瑞士洛桑聯(lián)邦理工學院教授，他在生物醫(yī)學圖像處理、對采樣理論、多分辨率算法的圖像處理使用等領域，都有著豐富的研究經(jīng)驗。
他在演講中指出，圖像重建算法已經(jīng)歷線性、線性和非線性交替方向乘子法兩次迭代，未來第三代的方法中，對于提高圖像質(zhì)量解決方案是保留ADMM算法線性部分，還是用深度學習卷積網(wǎng)絡代替重建迭代部分，在行業(yè)內(nèi)已經(jīng)爆發(fā)激烈的討論，可以肯定的是深度學習技術(shù)將在其中發(fā)揮核心作用。
關于未來醫(yī)學圖像重建趨勢，他認為將向四個發(fā)展：實現(xiàn)更快、更高分辨率、更低劑量的圖像；找尋新方法的同時借鑒圖像重建經(jīng)驗；更大數(shù)量級的高質(zhì)量數(shù)據(jù)庫；解決目前行業(yè)公認的難題。
作為此次大會的開場嘉賓，神經(jīng)退行性疾病計算醫(yī)學的開創(chuàng)者、約翰霍普金斯大學Michael I.Miller，做了開場演講《Measure Representations of the Brain Unifying Molecular and Tissue Continuum Scales》
他表示，繪制地圖是我們了解世界的基礎，了解大腦同樣也需要繪制大腦地圖，對從個體人腦數(shù)據(jù)到人群中腦數(shù)據(jù)進行形態(tài)和功能的分析，需要研究數(shù)學方法和有效的計算手段，計算神經(jīng)解剖學在20世紀80年代出現(xiàn)，將大腦結(jié)構(gòu)與功能認識帶入了新的階段。
在大腦里，計算神經(jīng)解剖學能讓我們讀出認知狀態(tài)，基于解剖學和成像模型的醫(yī)學圖像分割方法可以應對包括帕金森、阿爾茲海默病、亨廷頓氏病等機體神經(jīng)元結(jié)構(gòu)或功能逐漸喪失而引發(fā)神經(jīng)退行性疾病。
他還介紹了阿爾茲海默病中神經(jīng)原纖維糾纏區(qū)域三維重建的科研進展，神經(jīng)細胞內(nèi)神經(jīng)原纖維纏結(jié)(neurofibrillarytangles, NFTs)是阿爾茲海默病的神經(jīng)病理學特征之一。但也累積在其他神經(jīng)退行性疾病中，如慢性創(chuàng)傷性腦病和其他與年齡相關的疾病，為阿爾茲海默病的診斷造成了困難。
近些年，機器學習專家紛紛致力于用AI方法從數(shù)字化圖像中識別神經(jīng)原纖維纏結(jié)。
緊接著，中國科學院自動化研究所、北航-首醫(yī)大數(shù)據(jù)精準醫(yī)療高精尖創(chuàng)新中心主任田捷教授，帶來《醫(yī)學影像中的AI算法和研究熱點》的演講。
田捷教授表示，在醫(yī)學影像領域，人工智能顯著提升了圖像重建質(zhì)量，使數(shù)據(jù)改變圖像質(zhì)量成為了可能。
他將基于深度學習的影像智能診斷分為三個階段：面向重大疾病精準診斷、療效評估和預后預測臨床挑戰(zhàn)；提出多尺度、多模態(tài)信息融合的影像大數(shù)據(jù)智能分析方法；顯著提升影像輔助重大疾病診療準確性、改善患者愈后。
在前兩個階段中，田捷列舉了深度學習超聲影像組學、卷積神經(jīng)網(wǎng)絡預后模型、遷移學習、全自動深度學習模型等多種技術(shù)手段和應用場景。
他指出：“未來的醫(yī)療人工智能會進化到AI的4.0時代，進一步加速智能診斷，實現(xiàn)數(shù)據(jù)到知識的直接轉(zhuǎn)化?！?/p>
第三位醫(yī)工專家是國際互聯(lián)網(wǎng)信息系統(tǒng)工程協(xié)會（WISE 學會）主席、維多利亞大學張彥春教授，他發(fā)表了主題為《醫(yī)學大數(shù)據(jù)挖掘及AI在神經(jīng)健康疾病輔助檢測診斷及健康管理應用》的演講。
張彥春指出，醫(yī)療大數(shù)據(jù)+人工智能的關鍵技術(shù)包括計算機視覺、語音、語言和認知能力等等，將這些能力對應到醫(yī)療領域，醫(yī)療AI將具有各種形式的對話能力，可以快速加工大量醫(yī)療和病患信息，提高醫(yī)生效率。
隨后，他重點介紹了腦電圖分析與睡眠健康及癲癇檢查的研究進展，將心電監(jiān)測預警和AI進行結(jié)合，通過擾動數(shù)據(jù)生成對抗樣本獲取大量訓練樣本，獲取醫(yī)生手術(shù)時的相關數(shù)據(jù)，分析心電、血氧等數(shù)據(jù)的變化趨勢，將其投入卷積神經(jīng)網(wǎng)絡進行訓練，從而發(fā)現(xiàn)異常，做出預警，實現(xiàn)了睡眠健康及癲癇檢查的自動觀察。
第四位醫(yī)工嘉賓是IEEE TIP副主編、美國弗吉尼亞大學Gustavo Rohde教授，他的演講主題為《Optimal transport in biomedical imaging》。
Rohde教授主要為生物學和醫(yī)學的研究開發(fā)深度學習算法。近些年，他先后研發(fā)適合識別診斷骨關節(jié)炎的AI算法等學術(shù)成果，并在今年3月獲得美國國立衛(wèi)生研究院的專項研發(fā)經(jīng)費。
他在演講中介紹了利用累積分布變換（CDT）估計信號模型參數(shù)的新方法，該方法將被測信號和模型信號之間的Wasserstein距離最小化，證明了非線性和線性最小二乘之間的轉(zhuǎn)化現(xiàn)象。
第五位醫(yī)工專家是南加州大學Keck醫(yī)學院、Mark and Mary Stevens神經(jīng)影像與信息學研究所Paul M.Thompson教授。
他主要介紹了全球最大的腦圖譜項目——ENIGMA，這是Paul M.Thompson和澳大利亞昆士蘭醫(yī)學研究院遺傳學家NicholasMartin合作發(fā)起，旨在利用共享腦掃描圖像和遺傳數(shù)據(jù)方式擴大研究人群，使大腦結(jié)構(gòu)同遺傳變異和疾病之間建立廣泛聯(lián)系。
在第一個項目中，ENIGMA同另一個中心合作，分析了2.1萬人的大腦掃描圖像和DNA，并將特定基因同人腦大小和智力聯(lián)系起來，例如，擁有HMGA2基因特定變異體的人具有更大的大腦，并且在標準智力測試中得分比普通人高出1.29分。
目前，該項目已經(jīng)匯集到45個國家的研究數(shù)據(jù)，對10萬人的大腦掃描圖像和遺傳數(shù)據(jù)展開分析。
最后一位醫(yī)工嘉賓是北美放射學會(RSNA)物理學分會理事，美國埃默里大學唐向陽教授。
作為醫(yī)療成像研究領域的專家，唐向陽教授重點介紹了新一代計算機的能譜斷層掃描（光子計數(shù)檢測器CT掃描儀）。
能譜CT作為一種新型CT成像方法，借助于光子計數(shù)探測器、快速kvp切換等技術(shù)，可以獲取多個能譜下物質(zhì)的投影數(shù)據(jù)，通過物質(zhì)分解算法計算出物質(zhì)的電子密度、等效原子序數(shù)等信息，從而進行物質(zhì)識別、實現(xiàn)多物質(zhì)的成分分解成像，對成像質(zhì)量提高，圖像的信噪比改善，降低輻射劑量有著重要意義，目前已經(jīng)成為各大影像器械廠商的主要發(fā)展方向之一。
2020年，已經(jīng)有8款影像AI產(chǎn)品獲批NMPA三類注冊證，當今的產(chǎn)品成熟度現(xiàn)狀和未來產(chǎn)業(yè)化趨勢，已成為行業(yè)的日常話題之一。
在大會中，中國醫(yī)學影像AI產(chǎn)學研用創(chuàng)新聯(lián)盟理事長、長征醫(yī)院影像醫(yī)學與核醫(yī)學科主任劉士遠教授，以《中國醫(yī)學影像AI應用實踐與趨勢》為題發(fā)表演講。
劉士遠教授指出，深度學習掀起的智能化潮流引發(fā)了醫(yī)學影像場景重構(gòu)，以及工作流程的改變，被嵌入至前臺預約、技師掃描圖像后處理、診斷報告、放療計劃等多個環(huán)節(jié)，減輕了醫(yī)生工作負荷。
他表示，未來的醫(yī)療AI產(chǎn)品，將不僅僅面向醫(yī)生，可以衍生出面向患者的智能報告解讀、面向技師的造影劑劑量自動計算、面向管理的智能影像質(zhì)控、面向科教的智能教學輔助、面向區(qū)域聯(lián)動的MDT等不同的發(fā)展方向。AI產(chǎn)品將不再被束之高閣，可以解決更多醫(yī)學底層實際問題。
首都醫(yī)科大學附屬北京朝陽醫(yī)院放射科副主任楊旗教授，發(fā)表了演講《基于人工智能腦血管病輔助診斷決策系統(tǒng)建立及實踐》
楊旗教授指出，我國腦卒中防控形勢十分嚴峻，腦血管致死率居所有疾病首位，影像科醫(yī)生對于腦卒中診斷的關注點可分為五項：梗死核心體積；是否存在缺血半暗帶；是否存在側(cè)支循環(huán)；血管狹窄或閉塞的位置；治療后出血風險。
楊旗教授分享了斯坦福大學研發(fā)的腦卒中人工智能影像分析平臺——RAPID。
RAPID作為領先的腦灌注和彌散圖像可視化處理軟件，已獲得FDA批準用于機械取栓患者篩選，在全球40余個國家的1000多家中心應用，掃描次數(shù)超過25萬例/年。
楊旗教授表示，希望未來中國的腦卒中AI產(chǎn)品，將不再需要醫(yī)生去標數(shù)據(jù)，一點點訓練模型，進行成百上千的樣本量測試、迭代；能夠?qū)崿F(xiàn)自動學習影像知識，向不需要醫(yī)生干預就能給出準確結(jié)果的方向發(fā)展。
作為廣東省人民醫(yī)院放射科主任，劉再毅教授也以《對影像AI研究和臨床應用的幾點思考》為題，發(fā)表了自己對于AI發(fā)展的看法。
劉再毅指出，放射科醫(yī)生這個職業(yè)已經(jīng)有100多年歷史，在一次次技術(shù)革新之后不斷壯大，如今這次AI革新，給這個職業(yè)的未來，造成了很多變數(shù)，為此像Andrew Ng、Harold Pimentel等了解影像的算法專家也都在思考放射科的未來出路。
從實際情況出發(fā)，他認為影像AI取代醫(yī)生還存在五項挑戰(zhàn)；影像AI軟件功能和應用場景單一；臨床易用性和可解釋性還存在不足；政策監(jiān)管和責任主體界定還不明確；AI倫理問題（醫(yī)療算法中的種族偏見、醫(yī)療服務中的隱性歧視、機器學習系統(tǒng)背后意圖、醫(yī)療團隊和患者間差異）；衛(wèi)生經(jīng)濟學評價和臨床技能培訓還沒有建立。
近日，AlphaFold2在生物學領域取得了重要突破：通過蛋白質(zhì)的氨基酸序列高精度地確定其3D結(jié)構(gòu)。
對于這一生物學和機器學習交叉的前沿熱點，ISICDM 2020還專門開辟了一場線上圓桌論壇。黃昆（印第安納大學）、許東（密歇根大學教授）、張陽（I-TASSER算法發(fā)明人）、許錦波（斯隆獎得主）參與了分享和討論。
論壇引起了國內(nèi)外各界人士的強烈興趣，在線直播觀看人數(shù)超1.6萬。
對于AlphaFold2蛋白質(zhì)預測的實際意義，許東教授表示：“這次AlphaFold2，最主要實現(xiàn)了魯棒性，能夠得到很穩(wěn)定、很好的結(jié)果。過去從來沒有團隊做到。從技術(shù)上講，我們有一個打分機制，基于多少個氨基酸預測到位來評分。一般蛋白質(zhì)預測需要達到90%及以上的準確率，才能算預測得比較有用。這次AlphaFold2已經(jīng)達到了平均92.4，幾乎和實驗結(jié)果差不多。今后，AlphaFold預測出來的結(jié)果，就可以和MR、冷凍電鏡的方法相媲美?！?/p>
但是，AlphaFold2不是一件完美的作品，不能完全解決蛋白質(zhì)結(jié)構(gòu)預測的所有問題。
張陽教授表示，AlphaFold2接近于解決了單結(jié)構(gòu)域的蛋白質(zhì)結(jié)構(gòu)預測問題，預測精度很高。很多媒體中提到它的中位數(shù)值是0.92，即大致有一半的模型是超過0.9，接近或者達到實驗的精度。但是，還有接近一半的蛋白質(zhì)預測沒有達到這個精度。因此，要完全解決蛋白質(zhì)結(jié)構(gòu)預測的問題，仍然需要很多工作。
AlphaFold2問世后，結(jié)構(gòu)生物學的哪些方向會受到影響，許錦波教授也發(fā)表了看法。
他表示：用計算的方法來做蛋白質(zhì)結(jié)構(gòu)預測，影響會越來越大，僅僅簡單的解結(jié)構(gòu)，以后可以直接用軟件去解決。同時，AlphaFold2可以用來提高效率，便于研究者專注于研究結(jié)構(gòu)、功能。做單鏈的蛋白質(zhì)結(jié)構(gòu)預測，這方面的人員會變少。
但軟件不是萬能的，許錦波教授指出，有40%的蛋白質(zhì)的結(jié)構(gòu)預測不是非常準確，且效率也存在問題。當下還不明確AlphaFold2如何處理數(shù)據(jù)，會不會開源等。所以，許錦波教授提出，至少在學術(shù)界需要一個與之相競爭的軟件，結(jié)構(gòu)預測還有許多問題值得研究，并不會造成所有人失業(yè)。
本次研討會還舉行了ISICDM 2020挑戰(zhàn)賽的決賽，共有低劑量CT圖像質(zhì)量優(yōu)化、MR加速成像、肺部組織分割三大項目組成，評審將由醫(yī)院臨床、影像科醫(yī)生、產(chǎn)業(yè)界專家、以及學術(shù)界專家等共同組成，從最實用的評審角度提供最專業(yè)的指導意見。
挑戰(zhàn)賽是ISICDM一直沿襲的特色之一，將工程人員的成果放在醫(yī)學人員的面前，接受實戰(zhàn)場景的檢驗。這也是這場研討會的核心目的：解決臨床問題，滿足醫(yī)生和病人的需求。
自2017年創(chuàng)立以來，ISICDM共邀請到400余位大會報告及專題報告嘉賓，其中包括中、美、英、加等多個國家的的科學院/工程院院士，ACM、IEEE、AIMBE等學會Fellow，CVPR、ICCV、MICCAI大會主席，以及MRI、MedicalImage analysis、IEEE TBME、IEEETIP主編和TPAMI、IJCV、IEEE TIP、IEEE TMI副主編。
ISICDM 2019大會共同主席James Duncan曾說到，“我們所處的領域，理工一旦離開醫(yī)，本質(zhì)上就是閉門造車。而醫(yī)在整個流程中扮演的角色越來越重要，因此學術(shù)界乃至產(chǎn)業(yè)界偶爾需要ISICDM這樣的研討會，讓理工醫(yī)專家們?nèi)￠L補短，互通有無，推動理工醫(yī)交叉的長期發(fā)展?！?/p>
ISICDM發(fā)起人、電子科技大學李純明教授向醫(yī)健A掘金志表示，“我們一直秉承‘促進理工醫(yī)交叉融合，激發(fā)產(chǎn)學研協(xié)同創(chuàng)新’的理念。無論未來的技術(shù)趨勢如何變化，無論研究方法多么多元，‘理工醫(yī)交叉融合，產(chǎn)學研協(xié)同創(chuàng)新’永遠是這一領域發(fā)展的生命線，只要我們圍繞這一根基不斷縱深，它所釋放出來的能量是無窮無盡的。”雷鋒網(wǎng)雷鋒網(wǎng)
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。
專題
本專題其他文章
