雷鋒網(wǎng)按：2018 全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR）在深圳召開，峰會(huì)由中國計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）承辦，得到了深圳市寶安區(qū)政府的大力指導(dǎo)，是國內(nèi)人工智能和機(jī)器人學(xué)術(shù)界、工業(yè)界及投資界三大領(lǐng)域的頂級交流盛會(huì)，旨在打造國內(nèi)人工智能領(lǐng)域最具實(shí)力的跨界交流合作平臺(tái)。

在6月30日下午的計(jì)算機(jī)視覺專場中，北卡羅萊納大學(xué)的沈定剛教授發(fā)展了主題為《深度學(xué)習(xí)在醫(yī)學(xué)影像分析中的應(yīng)用（Deep Learning in Medical Image Analysis）》的主題演講。

“在美國將近20年，我都是在霍普金斯大學(xué)、賓夕法尼亞大學(xué)、北卡大學(xué)教堂山分校的放射科里與醫(yī)生們一起工作，因此知道他們的整個(gè)工作流程，知道怎么把我們的人工智能技術(shù)更好地應(yīng)用到他們臨床流程里的相應(yīng)部分中去，而不是從頭到尾都使用人工智能?！鄙蚨▌偨淌谠谘葜v中談到。

沈教授現(xiàn)在是美國北卡羅來納大學(xué)教堂山分校終生教授、杰出教授，美國電子和電氣工程師協(xié)會(huì) (IEEE)會(huì)士，美國醫(yī)學(xué)與生物工程院(AIMBE)會(huì)士和國際模式識別協(xié)會(huì)(IAPR)會(huì)士，國家千人（短期），在國際權(quán)威期刊上發(fā)表論文400余篇，被引用2萬余次。在最近Guide2Reasearch網(wǎng)站發(fā)布的2018年全球計(jì)算機(jī)科學(xué)和電子領(lǐng)域，沈定剛教授H-index 82，在該指數(shù)的前1000名華人學(xué)者中排名第13。

沈教授在1999年就前往美國約翰霍普金斯大學(xué)醫(yī)學(xué)院放射科從事醫(yī)學(xué)圖像分析方面的工作，是世界上最早開展醫(yī)學(xué)影像人工智能研究的幾位科學(xué)家之一，并最先將深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)影像，從事醫(yī)學(xué)影像分析、計(jì)算機(jī)視覺與模式識別等領(lǐng)域的研究近20年。

沈定剛教授認(rèn)為，所謂的AI或者深度學(xué)習(xí)，只是解決問題的一種方法，方法必須為解決問題服務(wù)。他也時(shí)常告誡自己的學(xué)生：這個(gè)行業(yè)里的研究者，不能光知道深度學(xué)習(xí)，很多幾十年累積起來的經(jīng)典方法都必須要懂。因?yàn)橐粋€(gè)方法不可能解決所有的問題，每種方法總有它的局限性。同時(shí)，在思路上，應(yīng)該是通過問題找方法，而不是用方法來找問題。

沈定剛教授經(jīng)歷了人工智能由低谷轉(zhuǎn)向高潮的過程，但是不管行業(yè)冷或者熱，從研究生開始的20多年的研究工作中，他的主線就是用圖像分析的方法來解決臨床問題。

沈定剛教授率領(lǐng)著一個(gè)學(xué)術(shù)能力強(qiáng)大的團(tuán)隊(duì)，其實(shí)力在智能醫(yī)療領(lǐng)域處于國際引領(lǐng)水平。據(jù)了解，今年他的團(tuán)隊(duì)有20篇論文被醫(yī)學(xué)影像AI的頂級會(huì)議MICCAI錄取，其中12篇被大會(huì)提前錄用。論文主要有幾個(gè)研究方向：圖像成像、圖像配準(zhǔn)、老年癡呆癥和兒童自閉癥的診斷。

沈定剛教授表示，現(xiàn)在國內(nèi)很多初創(chuàng)公司的發(fā)力點(diǎn)集中在診斷環(huán)節(jié)，但醫(yī)學(xué)是一個(gè)很長的鏈條，成像、檢測、診斷、治療、預(yù)后每個(gè)環(huán)節(jié)都大有文章可做。將AI應(yīng)用到源頭，即成像質(zhì)量的提高，將會(huì)是未來的一大熱點(diǎn)。

他的團(tuán)隊(duì)從成像方面入手，研究如何利用AI技術(shù)，實(shí)現(xiàn)低成本、快速和高質(zhì)量的成像，以此發(fā)表了4篇MICCAI論文。“一方面是應(yīng)用AI技術(shù)，將質(zhì)量較差的影像變成質(zhì)量更好的影像；第二個(gè)方面是在具體應(yīng)用過程中，將病人采集過程中丟失的圖像補(bǔ)回來；第三個(gè)方面就是快速成像，因?yàn)橛行┠B(tài)圖像掃描慢、噪聲很大，AI技術(shù)可以將需要幾分鐘掃完的圖像在幾十秒內(nèi)完成，這將很好提升患者體驗(yàn)。”

在圖像配準(zhǔn)方面，沈教授的團(tuán)隊(duì)研究通過無監(jiān)督深度學(xué)習(xí)方法來進(jìn)行圖像配準(zhǔn)。在做醫(yī)學(xué)圖像分析時(shí) ,經(jīng)常要將同一患者幾幅圖像放在一起分析，從而得到該患者多方面綜合信息，提高醫(yī)學(xué)診斷和治療的水平。對幾幅不同的圖像作定量分析，首先要解決的就是幾幅圖像的嚴(yán)格對齊問題。他坦言，圖像配準(zhǔn)實(shí)現(xiàn)起來難度也很大，遠(yuǎn)遠(yuǎn)超過圖像的分割、診斷。

在深入到具體病例研究中，沈教授的團(tuán)隊(duì)也獲得了一些實(shí)實(shí)在在的成果：3篇關(guān)于老年癡呆癥診斷的論文，6篇關(guān)于兒童腦發(fā)育和自閉癥診斷的論文。在接受雷鋒網(wǎng)采訪時(shí)他說道，現(xiàn)在關(guān)于老年癡呆癥的研究非?；穑谑昵?，這類研究課題在美國非常難申請，100個(gè)課題里可能只有3%-5%能夠通過。老年癡呆癥的研究其中一個(gè)方向是用人工智能的方法來建立腦部功能網(wǎng)絡(luò)，用多層次的方式來表示大腦里面的網(wǎng)絡(luò)連接，以此預(yù)測老人會(huì)不會(huì)從輕度智力障礙轉(zhuǎn)變成老年癡呆癥。

兒童自閉癥的預(yù)測也一直是醫(yī)學(xué)界的難題。通常要等到兒童3到4歲才能確認(rèn)其是否患有自閉癥。沈教授的團(tuán)隊(duì)希望借助人工智能，將這個(gè)預(yù)測時(shí)間提前至僅6個(gè)月大的嬰兒，根據(jù)這個(gè)階段嬰兒的腦部結(jié)構(gòu)圖像來預(yù)判是否3到4歲時(shí)會(huì)患自閉癥。

實(shí)際上，對自閉癥的研究，沈定剛教授所在的北卡羅來納大學(xué)教堂山分校已經(jīng)累積了深厚的數(shù)據(jù)。該校在十多年時(shí)間里收集了將近2000例個(gè)體樣本（包括正常兒童）。“兄弟姐妹中若有患自閉癥的兒童，他們自己得自閉癥的概率非常大。UNC對這類高風(fēng)險(xiǎn)兒童進(jìn)行跟蹤記錄，在他們6個(gè)月、12個(gè)月、18個(gè)月等時(shí)間段獲取他們的腦部圖像。如果到3到4歲時(shí)發(fā)現(xiàn)患有自閉癥，就返回去看他小時(shí)候的圖像。正是因?yàn)橛辛诉@些延續(xù)性的數(shù)據(jù)，才有可能用人工智能方法來預(yù)測自閉癥。”

去年10月，沈教授完成了一次身份轉(zhuǎn)型，同時(shí)擔(dān)任聯(lián)影智能聯(lián)席CEO。學(xué)界和業(yè)界的融合，需要沈教授花費(fèi)更多的精力。他開玩笑說，從今年1月開始到現(xiàn)在，已經(jīng)瘦了10斤。同時(shí)他也表示，業(yè)界的身份其實(shí)對學(xué)術(shù)研究幫助很大。公司在實(shí)際過程中會(huì)遇到更多、更復(fù)雜的問題，一定程度上也為研究者拓寬了思路。

以下為沈定剛的現(xiàn)場演講內(nèi)容，雷鋒網(wǎng)作了不改變原意的整理和編輯：

沈定剛：非常感謝雷鋒網(wǎng)的邀請，我演講的題目是“深度學(xué)習(xí)在醫(yī)學(xué)影像分析中的應(yīng)用”。上午嘉賓們講了很多深度學(xué)習(xí)方面的工作，其實(shí)我們在2012年就率先把深度學(xué)習(xí)方法應(yīng)用到醫(yī)學(xué)影像分析中。從那以后，深度學(xué)習(xí)在醫(yī)學(xué)影像中的應(yīng)用越來越多。現(xiàn)在大家關(guān)心的影像AI，我認(rèn)為有一點(diǎn)至關(guān)重要，那就是跟醫(yī)生的密切合作。

我在美國將近20年，都是在醫(yī)學(xué)院的放射科（霍普金斯大學(xué)、賓夕法尼亞大學(xué)、北卡大學(xué)教堂山分校）跟醫(yī)生們一起工作，從中知道他們的整個(gè)臨床流程。只有知道他們的整個(gè)流程，才能把我們的人工智能技術(shù)更好地運(yùn)用到臨床流程的相應(yīng)部分中去，而不是從頭到尾整個(gè)流程都用AI，那是不可能的。

我在學(xué)術(shù)界工作了很長時(shí)間，國內(nèi)有100多位高校老師從我的實(shí)驗(yàn)室學(xué)習(xí)回來，其中有近二十位已經(jīng)成為高校的計(jì)算機(jī)學(xué)院、生物醫(yī)學(xué)工程學(xué)院的院長、副院長、系主任或副系主任。現(xiàn)在我覺得，高校的影像AI研究與公司的影像AI持平開發(fā)之間的差異越來越小。但是，學(xué)校里做的研究，通常數(shù)據(jù)非常小，這樣研究結(jié)果推廣性相對較差。

今年年初開始，我領(lǐng)導(dǎo)聯(lián)影智能專門做影像AI。聯(lián)影智能是上海聯(lián)影的子公司，聯(lián)影是國內(nèi)最大的生產(chǎn)高端影像設(shè)備的企業(yè)，其生產(chǎn)的影像設(shè)備，在影像前、影像中以及影像后都會(huì)需要用到人工智能技術(shù)。剛才有嘉賓提到如何將計(jì)算機(jī)視覺用到影像中去，其實(shí)這里有一個(gè)相應(yīng)的例子。比如在邊遠(yuǎn)地區(qū)的基層醫(yī)院，我們可以給他們提供很好的影像設(shè)備，但是他們通常缺乏好的技師，不能準(zhǔn)確地定位病人來掃描，這時(shí)候計(jì)算機(jī)視覺就可以幫助病人的準(zhǔn)確定位，完成一鍵掃描。

當(dāng)然，人工智能技術(shù)如果只應(yīng)用在后面的診斷，而不跟影像設(shè)備結(jié)合起來，總體效果不一定好。我們要做的是全鏈條、全棧式的影像人工智能，也就是用人工智能優(yōu)化從成像到影像的篩選，再到后面的跟蹤、診斷、治療和預(yù)后這樣一個(gè)完整的流程，從而達(dá)到最佳診斷效果。

現(xiàn)在很多公司都在做肺結(jié)節(jié)檢測，但通常是在給定圖像的情況下來完成。想象一下，現(xiàn)在，如果把成像過程跟后面的人工智能診斷結(jié)合起來，這就像在掃描過程中有一位有經(jīng)驗(yàn)的“醫(yī)生”坐在那里，每重建一些slice圖像，這位“醫(yī)生”就會(huì)告訴你這里有沒有肺結(jié)節(jié)，如果有可疑肺結(jié)節(jié)，設(shè)備就自動(dòng)重建得密一些，正常的slice就按常規(guī)的厚度去重建。這樣的結(jié)合，就有可能把后面的肺結(jié)節(jié)檢查做得更好；如果讓醫(yī)生人工來看，也可以看得更仔細(xì)，并且不增加多少工作量。

大家都在講人工智能，幫助醫(yī)生診斷，這樣的人工智能（Artificial Intelligence AI）其實(shí)是輔助智能（Assisted Intelligence AI）。除此之外，我們還要做超越人類的增強(qiáng)智能，這時(shí)候的Artificial Intelligence （AI）就變成了Augmented Intelligence（AI）。比如說，小孩發(fā)育過程中，如果皮層發(fā)育不好，可能會(huì)患自閉癥；但是造成自閉癥的皮層病變可能只有0.3%，醫(yī)生手工測量要達(dá)到這個(gè)精度非常困難。 我實(shí)驗(yàn)室里面每年有幾位來自大陸以及臺(tái)灣的醫(yī)生，包括主任醫(yī)生、副主任醫(yī)生，以及來自臺(tái)灣長庚醫(yī)院的醫(yī)生。我讓他們?nèi)斯順?biāo)圖，他們標(biāo)出來的皮層之間的差異高達(dá)30%，而且同一個(gè)醫(yī)生前后兩天標(biāo)注的差異高達(dá)20%。因此0.3%的變化，通過手工方法是測不出來的。這時(shí)候我們需要的就是增強(qiáng)智能，是超越人類的“人工智能”。

剛才有嘉賓提到了標(biāo)注問題。醫(yī)學(xué)上的標(biāo)注跟計(jì)算機(jī)視覺的標(biāo)注存在很大差異。計(jì)算機(jī)視覺的標(biāo)注，只要是正常人，即使沒上過學(xué)，也可以標(biāo)注出圖里面哪里是車，哪里是人，哪里是路。而在醫(yī)學(xué)領(lǐng)域，只有影像科的醫(yī)生才可以標(biāo)，而且只有有經(jīng)驗(yàn)的醫(yī)生才能標(biāo)得好，但是全世界這樣的醫(yī)生人數(shù)有限，所以醫(yī)學(xué)影像的標(biāo)注非常難，非常復(fù)雜。

做影像AI，我們必須知道我們要解決什么問題，然后找相應(yīng)的技術(shù)來解決問題，而不是有了技術(shù)再找問題。

我下面要講的技術(shù)是用于解決我們手頭上的兩個(gè)重要問題。

第一個(gè)要解決的問題就是Baby Connectome小孩腦發(fā)育里的問題。當(dāng)我們采集了6個(gè)月大嬰幼兒的影像和基因信息，我們想知道，這小孩三到四歲時(shí)會(huì)不會(huì)患自閉癥？ 我們知道，孩子在小時(shí)候腦子的可塑性非常強(qiáng)，如果小孩6個(gè)月大的時(shí)候我們就知道他將來會(huì)患自閉癥的話，就可以提前對他進(jìn)行一系列的特殊訓(xùn)練、特殊教育和干預(yù)。這樣的話，這小孩雖然3到4歲時(shí)還會(huì)患自閉癥，但等他成人以后還有可能正常地生活和工作，這是非常有意義的。

第二要解決的問題是腦子老化可能導(dǎo)致的老年癡呆癥問題。例如，有人在70歲得了輕度智力障礙，我們的問題是這位老人會(huì)不會(huì)在幾年以后轉(zhuǎn)變成老年癡呆癥？ 要回答這個(gè)問題，我們需要有比人的能力更強(qiáng)的AI。

先舉一個(gè)例子，關(guān)于小孩早期腦發(fā)育。我們知道小孩出生后的前12個(gè)月非常重要，因?yàn)樵谶@個(gè)階段小孩開始學(xué)習(xí)說話、走路，有很多病變可能也在一年內(nèi)發(fā)生。首先，我們來看一張同一個(gè)小孩從出生到60個(gè)月大時(shí)的腦圖像。我們前一年每隔三個(gè)月對小孩的大腦進(jìn)行掃描，從而獲得小孩腦子前一年的變化。經(jīng)研究發(fā)現(xiàn)，第一年小孩的大腦體積增大120%，第二年大概增大15-20%。很多早期的病變，比如自閉癥，在第一年就已經(jīng)可以看到相應(yīng)的癥狀，但是第一年圖像變換非常復(fù)雜。這里我們不用視頻的形式，而是把圖像一幅一幅顯示出來。最左邊是兩周的圖像，最右邊是12個(gè)月的圖像，中間是6個(gè)月的圖像，可以看到紅的曲線和綠的曲線幾乎完全重疊在一起。

我們腦子里包含白質(zhì)、灰質(zhì)、皮層，皮層里的灰質(zhì)包含我們的腦神經(jīng)元。要在前6個(gè)月的時(shí)候就能預(yù)測小孩3到4歲的時(shí)候會(huì)不會(huì)患自閉癥，需要對腦子進(jìn)行一系列復(fù)雜分析：第一步是腦圖像分割，就是把白質(zhì)和灰質(zhì)從圖像中分割出來，但這是一個(gè)非常難的問題。請注意，利用現(xiàn)有的成人圖像的所有分析方法都不能準(zhǔn)確分割小孩的腦圖像。我們可以看看用成人圖像分割方法的結(jié)果，分割得雜亂無章。這方面我們在UNC做了10年的研究，投入了很多博士后和學(xué)生，這些人后來也都成為了本領(lǐng)域的專家，取得了很多研究成果。

除了研究腦結(jié)構(gòu)之外，還可以研究腦連接（腦區(qū)之間的連接）和腦功能。有了這一系列的投入和十年的研究積累，我們才可以做剛才提到的增強(qiáng)智能。雖然現(xiàn)在有很多初創(chuàng)公司，但還沒有一個(gè)初創(chuàng)公司碰這種復(fù)雜的腦圖像分析，特別是小孩腦圖像的分析。

我們做了一系列的研究，研究如何把圖像分割開來，如何把左右腦分開。重建的腦表面有很多洞，我們也可以用人工智能（Deep Learning）的方法做自動(dòng)糾正。皮層里面有內(nèi)表層和外表層，如何把它翻開來，然后把整個(gè)腦子里面分成很多的區(qū)域，每個(gè)區(qū)域有不同的功能。比如說海馬是管我們記憶的，老了以后，我們的記憶喪失了，因?yàn)楹ｑR萎縮了；這里面不同的顏色表示不同的腦區(qū)域。在這個(gè)應(yīng)用中，給你一個(gè)三維的腦圖像，我們需要用三維的方法把相應(yīng)的區(qū)域識別出來；有時(shí)需要用四維甚至五維方法。例如功能圖像，每過1秒采集一副功能圖像，里面的每個(gè)位置測量相應(yīng)的血樣成分，這時(shí)候的圖像是四維圖像。分析四維圖像，比分析二維或三維圖像更復(fù)雜。另外，若要知道腦結(jié)構(gòu)變化與病變的關(guān)系，和醫(yī)生的合作非常重要，這是非常復(fù)雜的研究，而我這里只講了一個(gè)分割問題。

如果你感興趣的話，所有具體的方法都可以在我給出的論文中找到，而我只介紹一下概念。做腦圖像分割，首先我們把圖像分割成腦液體和腦組織，這個(gè)腦組織包括白質(zhì)和灰質(zhì)。很重要的一點(diǎn)，所謂的Deep Learning，我們必須要把它和臨床信息結(jié)合起來。早晨有人問到，Deep Learning已經(jīng)很流行了，是不是傳統(tǒng)方法就沒用了？如果你把前面二三十年已經(jīng)研究得很好的傳統(tǒng)技術(shù)和Deep Learning結(jié)合，其效果會(huì)有很大提高。同樣，如做分割只是把腦子里的腦組織和腦液體分割開來，分割完了之后，再訓(xùn)練第二個(gè)神經(jīng)網(wǎng)絡(luò)，這樣可以精細(xì)地把白質(zhì)和灰質(zhì)分開來。要做到這樣非常精細(xì)的分割結(jié)果，需要很多的積累。如果只是用現(xiàn)有的方法，就只能看到剛才雜亂無章的結(jié)果。

下面我首先介紹聯(lián)影智能公司（簡稱UII）做的一些研究。

第一個(gè)是癌癥的治療。醫(yī)生至少要花幾個(gè)小時(shí)來勾畫人的器官。而我們用Deep Learning來勾畫，每個(gè)器官少于一秒鐘就可以完成。同時(shí)，我們想用最便宜的GPU實(shí)現(xiàn)最貴GPU的性能。因?yàn)樵诼?lián)影，手持的設(shè)備不可能用很貴的GPU，所以在這個(gè)條件下我們必須在保證準(zhǔn)確率不下降的情況下，使用最便宜的GPU。我們基于3000個(gè)來自不同類型的CT數(shù)據(jù)（這在影像分析中其實(shí)已經(jīng)是非常大的數(shù)據(jù)了，很多情況下只有幾十個(gè)、幾百個(gè)），這里面有大概一二十個(gè)器官，我們將它們?nèi)糠指畛鰜?，每個(gè)器官只需要0.7秒左右。

醫(yī)學(xué)影像必須跟醫(yī)生很好地結(jié)合起來。例如，醫(yī)生在診斷老年癡呆癥時(shí)，看腦子不同區(qū)域，比如說紅點(diǎn)區(qū)域，判斷腦室有沒有長大，海馬有沒有萎縮，再綜合判斷這個(gè)人有沒有患老年癡呆癥?；谶@樣的診斷方式，我們利用神經(jīng)網(wǎng)絡(luò)來做訓(xùn)練區(qū)域的自動(dòng)檢測，然后利用區(qū)域信息和另一個(gè)神經(jīng)網(wǎng)絡(luò)做老年癡呆癥的預(yù)測和診斷。如果一個(gè)新的病人來看醫(yī)生，只需采集他的圖像，通過訓(xùn)練好的兩個(gè)神經(jīng)網(wǎng)絡(luò)就可做疾病的診斷和預(yù)測。如果這個(gè)人是輕度智力障礙，我們還可以預(yù)測5年后他會(huì)不會(huì)變成老年癡呆癥。

另一個(gè)應(yīng)用場景是幫助醫(yī)生來看肺部圖像。先用人工智能助理檢查一遍，沒有問題的圖像可以排在最后面，有問題的圖像放在最前面，醫(yī)生就可以先看有問題的圖像。特別是醫(yī)生早晨剛來的時(shí)候，他非常清醒，所以他犯錯(cuò)誤的可能性非常小，后面的他可以不看，即使他看的話，由于疲憊導(dǎo)致犯錯(cuò)所帶來的影響也不大?，F(xiàn)在我們的算法精度已經(jīng)很高，遠(yuǎn)超同行。

剛才說到，在計(jì)算機(jī)視覺里面，你可以畫一個(gè)包的輪廓，計(jì)算機(jī)會(huì)給你生成一個(gè)你喜歡的包，這個(gè)技術(shù)在醫(yī)療領(lǐng)域也有很多應(yīng)用。這里左邊是核磁共振（MRI）的圖像，右邊是CT圖像。CT可以清晰顯示人體組織在每個(gè)位置的密度，這對放射治療非常有用。但是，如果要知道射線打進(jìn)去涉及哪些地方，CT圖像里面有很多軟組織是顯示不清楚，而MRI可以把軟組織看得很清楚。如何把兩者結(jié)合起來？無需既做一個(gè)CT又做一個(gè)MRI，而是從MRI中估計(jì)出像真實(shí)CT的圖像。

我們可以比較用GAN從MRI生成的CT圖像跟真實(shí)的CT圖像，可以看出它們差異很大。如何把它做得更好？可以用Context-Aware GAN。例如，用第一個(gè)已訓(xùn)練的GAN，可以把MRI生產(chǎn)一個(gè)CT圖像，但效果不太好；我們可以用這個(gè)生產(chǎn)的CT加上MRI訓(xùn)練第二個(gè)GAN，然后把它用到MRI上，生成新的CT圖像；這樣可以繼續(xù)下去，最后得到一個(gè)高質(zhì)量的CT圖像。

我們比較一下，左邊是MRI，右邊是生成的CT，經(jīng)過四層輸出之后，可以看到它和真實(shí)的CT圖像差異非常小。這樣的圖像可以用于治療規(guī)劃，但不能用于診斷，因?yàn)樾〉牟∽兛赡茉谔幚磉^程中會(huì)丟失。這也是為什么我一直強(qiáng)調(diào)做醫(yī)學(xué)影像一定要和臨床結(jié)合起來。我認(rèn)為，現(xiàn)在學(xué)術(shù)界和工業(yè)界的醫(yī)學(xué)影像AI研究和開發(fā)是沒有多大區(qū)別的，是相輔相成的。

提問：我是做傳統(tǒng)圖像的學(xué)生，我看您做的醫(yī)療圖像的識別跟傳統(tǒng)圖像識別有很多共通的觀點(diǎn)，我比較關(guān)心的是相對于傳統(tǒng)圖像來說，醫(yī)療圖像在設(shè)計(jì)網(wǎng)絡(luò)或者訓(xùn)練方式上有哪些特殊的問題需要進(jìn)行針對性的設(shè)計(jì)？另外就是對于我們這種從傳統(tǒng)圖像想轉(zhuǎn)做醫(yī)療圖像來說，您覺得最大的障礙在哪里？是數(shù)據(jù)不公開的限制，比如說醫(yī)院很多數(shù)據(jù)是不公開的，還是說我們對醫(yī)療方面專業(yè)知識的缺失，導(dǎo)致我們設(shè)計(jì)網(wǎng)絡(luò)的時(shí)候會(huì)忽略一些信息？

沈定剛：你的第一個(gè)問題非常重要。我們要非常清楚，在進(jìn)行醫(yī)學(xué)影像研究時(shí)，圖像里的每一個(gè)小點(diǎn)都是我們?nèi)梭w非常重要的部分，對每一點(diǎn)都要非常重視，這是和做傳統(tǒng)圖像識別的區(qū)別。另外，傳統(tǒng)圖像識別很多是二維的，很多人還是用二維的方法來做三維、四維的事情，但他們差異性非常大，所有的網(wǎng)絡(luò)必須變成三維、四維。

怎么樣從事醫(yī)學(xué)影像研究？醫(yī)學(xué)影像的門檻非常高，不能自己一個(gè)人去干，必須要有一個(gè)非常有經(jīng)驗(yàn)的人帶領(lǐng)。此外，醫(yī)學(xué)影像要用醫(yī)生的話來說醫(yī)生的事情，也就是能和醫(yī)生進(jìn)行專業(yè)對話。所以我認(rèn)為，要做好醫(yī)學(xué)影像AI，必須要跟非常有經(jīng)驗(yàn)的老師來做。今年6月27日，上海聯(lián)影智能成立了醫(yī)智合作培育研究中心，希望能把醫(yī)院放射科醫(yī)生和理工科人員聚集起來，大家一起來做醫(yī)學(xué)影像AI。我們不僅提供這個(gè)平臺(tái)，還幫助和指導(dǎo)他們更好的運(yùn)用影像AI。相信他們在這里訓(xùn)練完之后，回到醫(yī)院或者學(xué)校，自然而然就會(huì)成為該領(lǐng)域的專家。幾年之后，相信我們中心會(huì)培養(yǎng)出更多人才，培養(yǎng)很多真正懂醫(yī)學(xué)影像AI的專家，這樣整個(gè)行業(yè)才能有更多的人，來一起推動(dòng)行業(yè)的發(fā)展。

提問：您來到聯(lián)影智能之后，在成像的研究應(yīng)該給聯(lián)影智能非常具有啟發(fā)性的幫助，我們對聯(lián)影智能也有很大期待。剛才您講到T1和T2的成像問題，未來聯(lián)影智能會(huì)考慮這種序列上的改善，然后去做這樣的成像方面最前沿的嘗試嗎？

沈定剛：對，這都是要變成產(chǎn)品的。我們把人工智能的方法跟剛才我說的成像結(jié)合起來以后，所得到的結(jié)果完全讓那些從事MR成像人員的出乎意外。其實(shí)，人工智能可以與很多領(lǐng)域結(jié)合起來，開發(fā)出很多新的技術(shù)。

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。