0
| 本文作者： 郭瑞婵 | 2022-09-30 14:30 |
近日，2022年医学人工智能大会（CMAI 2022）暨第二届“中国医学学术期刊发展”高端论坛召开。
雷峰网《医健AI掘金志》是本次大会的支持单位，中国科学院大学计算机学院教授齐洪钢、中国石油大学（北京）理学院教授王立群担任大会主持人。
本次高峰论坛邀请了多位顶尖医院的放射科主任及人工智能技术的权威专家，共同探讨人工智能技术在医学影像中的临床应用与科研进展，分享研究心得。
（后续我们将推出各位讲者的深度对话与演讲内容精编，欢迎关注）
中国科学院院士、《Research》主编黄维代表CMAI大会致辞。他表示，人工智能对各行业的强大赋能作用已经显现，生物医疗是一个数据密集型、脑力密集型、知识密集型的行业，需要依赖强大的分析处理能力进行判断和诊疗，是一个非常有前景的人工智能应用领域。
多年来，我国密集出台了一系列医疗人工智能方面的政策与法规，旨在建立快速精准的智能医疗体系。在“十四五规划”中，人工智能和生命健康均被列为前沿科技领域的优先级别，必将加速推动我国人工智能与生命健康科学的新一轮快速发展。
“虽然目前医疗人工智能已经步入快速发展期，但仍然面临着众多挑战，我们衷心希望本次会议将成为大家思想碰撞、深化交流的契机，拓展未来在人工智能和生物医疗产业方面的协同与合作。”
中华医学会放射学分会主任委员、上海长征医院影像医学与核医学科主任刘士远作为首位演讲的嘉宾，以即将发布的《中国医学影像人工智能发展报告（2021-2022）》为基础分享了最新的行业发展基本情况。
刘士远表示，截至今年5月31日，经国家药监局批准的医学影像AI三类注册证已超30个，涵盖CT、磁共振、DR等设备，包含心脑血管、胸部疾病、糖尿病、骨关节疾病和儿童发育评估等方面的产品。
“我们对于AI产品，从当初的怀疑到过于乐观的憧憬，经过了冷静和理智的阶段，现在已经进入到了临床应用和商业化的新时期。”
已获批的医学影像AI产品，可以分成两大方面，一是优化医学影像工作流程的产品，二是以疾病为中心的诊断模型。
具体到前者，医学影像设备通过深度学习技术赋能已经成为常态，预计到2023年左右，AI对CT的渗透率将提高到50%左右，MRI、超声的渗透率将提高到40%左右。
后者则是最多公司投入大量精力研发开拓的领域，其中最成熟的产品是肺结节和冠脉CTA。
截至2022年，基于疾病模型的AI产品已经从病灶检出和分割，逐渐迭代到形态学诊断与功能学诊断相结合的多维度、多功能，甚至是多任务的模型，形成以疾病场景为中心的平台化应用。
刘士远教授介绍，医学影像AI产品逐步引入到医院中，今年我国大医院的AI渗透率是15%左右，明年有望达到30%以上。
值得注意的是，虽然医院使用的AI产品有50%以上通过购买获得，但对于病人94%以上都是免费试用。从余下5%左右的收费案例来看，收费的主要方式包括诊断、会诊、检查和打包收费，尚未能作为单独的收费项目。
“这说明，AI产品还不够成熟，不足以让患者有强烈的购买意愿，AI的产品形态和商业化模式还需要不断完善。”
北京佑安医院放射科主任李宏军以《医学影像在医疗大数据中的作用与价值》为主题作了分享。
李宏军介绍了医学影像学发展、医学影像数据内涵、医学影像数据价值、医学影像大数据的挖掘利用等方面内容。
李宏军表示，近年来，AI的应用以及AI算法的升级，带动整个医学影像学进入新阶段，包括兴趣区的选定、分割与图像处理减少了图像的干扰因素，算法效率得到了提高，使结果更加精准。
以冠脉树的提取为例，AI对全局结构的理解、有效信息的补偿，以及对弱信号断裂的修复，能够达到最有效果的生成，主动去除和修复伪影，全方位三维立体地展示整个冠脉图像的形态。
李宏军认为，每一个疾病的发生和发展不是单一的数据变化，而是多组学的变化。“我们的影像组学要与临床数据特征、蛋白质组学、基因组学、代谢组学、社会组学等多元数据模型的融合，才能够全面客观反映个体性疾病的发生、发展与预后评估。”
这也意味着，传统的形态影像学诊断模式已经无法满足精准医学的要求。
李宏军表示，前期的AI也仅仅基于影像与数据特征对疾病进行预警预测，偏离了生物学的意义，影像基因组学与AI的结合会是形态影像学的发展和延伸，能够解决肉眼看不见的疾病，实现没有症状、体征的情况下诊断疾病。
浙江大学教授、长江学者吴健以《人工智能心电辅助诊断》为演讲主题，分享了AI心电辅助诊断的市场背景、业界现状、瓶颈难点、解决方案以及阶段成果。
吴健介绍，我国心电图检查的应用需求非常大，每年至少有2.5亿人次进行心电图检查，但面临心电图、心血管医生不足，设备检测准确率低的难题。
吴健所做的项目研究，主要聚焦于4大目标，分别为利用AI算法结合信号处理方法进行心电图自动分析，建立心电异常事件监测模型，建立心血管疾病判别模型，提供医生心电图标记工作工具并建立辅助确诊平台。
探索AI心电辅助诊断期间，吴健团队发现，在数据采集、数据清洗、数据标注、心拍识别与模型建立5大方面均遭遇了瓶颈。
针对这些瓶颈，吴健团队开发出来的算法框架具有卷积特征描述全局信息、频域分析特征补充细节信息、快速准确、批量运算等创新点。
目前，吴健团队拿到了200多万条心电数据，整理了标签100余类，覆盖了99%的心电诊断类别，基于这些数据训练的AI心电辅助诊断平台支持最高55类诊断标签识别，整体准确率达到95%，F1达到91%。
此外，团队还成功开发了心电图波段标注工具与智能心电辅助诊断系统。
空军军医大学唐都医院放射科主任崔光彬以《AI在肺结节应用现状、挑战及展望》为主题作了分享。
崔光彬表示，肺癌是我国新发病例和死亡病例最多的癌症类型，为降低癌症发病率和死亡率，“健康中国行动”要求推进癌症早筛查、早诊断、早治疗。
CT的配置和普及使得我国开展CT肺癌筛查具备了基本的硬件条件，但在不同级别的公立医院均存在影像科医生不足，阅片、诊断经验欠缺的痛点，医学影像AI则是解决这些痛点的一个重要方法。
随着医学影像AI在医院落地使用，崔光彬发现，AI产品与临床实际应用需求有一定的脱节，“人工智能一哄而上，非常热闹，但是避重就轻，我在工作过程遇到一些实际问题，但是AI公司也无法完全满足。”
以新冠CT筛查为例，AI着重改善的地方，也是医生用肉眼就能完成的工作，如病变的范围，实际意义并不大。而用X光机为危重病例拍摄的床旁片，因为是重叠的影像，人工进行查看会有很多不确定的因素妨碍诊断，这本是AI发挥效用的领域，但目前仍未解决。
湖南大学教授、长江学者彭绍亮以《基于超算的元宇宙数字疗法与电子药》为主题作了分享。
彭绍亮详细介绍了数字疗法所具有的作用，以及多个全球范围内的数字疗法案例。
彭绍亮认为，数字疗法有非常多的优势，可以加速治疗的效果，缩短治疗的周期，并减少治疗的成本，且相比传统的化学药，数字疗法的研发速度要更快。
“一种新药的研发需要5～10年以上，最低开销10亿美金，相反数字疗法就是一个软件，不需要这么长的时间与这么大的开销，后续只需要我们进行数据和算法的有效性验证。”
彭绍亮表示，我国在元宇宙医疗与数字疗法领域的探索还是一片空白，希望医院学会、医疗企业、IT游戏公司等一起建立国内首个元宇宙医疗和数字疗法联盟，聚焦青少年抑郁症、老年痴呆症等一系列国际布局较少的疾病，并推出国内首个数字处方标准和电子药物。
卢洁教授是首都医科大学宣武医院副院长、放射与核医学科主任，在会议上以《脑脱髓鞘病MRI成像的人工智能应用研究》为题进行了分享。
卢洁介绍，多发性硬化（MS）与视神经脊髓炎（NMOSD）是常见的脑脱髓鞘病，同时也是中青年人群致残的神经系统常见病，全球多发性硬化患者约280万人，中国约4.2万人。
由于临床症候相似、实验室检查结果部分重叠、确诊周期长，MS与NMOSD的鉴别诊断具有很大挑战性，尤其是对于基层医院与低年资医师来说。
在临床中，核磁共振成像（MRI）评估是MS与NMOSD诊断的重要环节，随着近年来人工智能技术的发展，脑脱髓鞘病MRI成像的人工智能应用研究也有了很大进展。
卢洁在报告中指出，人工智能技术可挖掘影像图像中肉眼无法识别的高位定量特征，基于拓扑的人工智能模型在预测脑脱髓鞘病预后中将具备重要的价值。
刘勇教授是北京邮电大学人工智能学院教授，以《基于磁共振和PET影像的阿尔兹海默病影像组学表征研究》为题进行了分享。
他表示，机器学习方法在医学图像上的研究已广泛开展，研究者一直在为探索神经精神疾病的客观定量、可重复且有生物学意义的影像学标记物而努力。
刘勇的研究团队十余年来一直围绕如何刻画阿尔兹海默病（AD）的脑影像异常表征开展研究，探索利用磁共振影像研究AD早期影像标记的可行性。
“我们无法改变年龄、家族史和遗传基因，研究者所能做的事情之一就是尽早发现端倪，为AD的早识别提供一点点帮助。”刘勇在报告的最后指出，“如果做到这一点，我们也许就能为更多的患者和家庭带来一点益处。”
张道强教授是南京航天航空大学的教授，以《脑影像智能计算及其若干应用研究进展》为题进行了分享。
张道强介绍，阿尔兹海默病的最佳干预阶段在出现症状之前的潜伏期以及轻度认知功能障碍阶段，患者一旦进入痴呆的阶段，将无法再进行有效的治疗，因此，早发现、早干预就显得尤为重要。
张道强的研究正是基于脑影像构建脑网络，并对脑网络来进行挖掘、分析以及网络分类，从而实现阿尔兹海默病诊断的技术。
其中，具有代表性的“脑连接组学”是指采用多模态神经影像技术和网络分析方法，描绘活体人脑的结构和功能连接模式的学科，其连接模式主要分为结构连接、功能连接与有效连接三种。工作过程中，首先利用脑影像构建起脑网络，再从脑网络中进行特征提取，最后提取出的特征进行分类。
报告中，张道强还分享了其团队在脑网络分类、影像遗传学、脑认知与脑解码等应用方面的研究进展及成果。
雷柏英教授是深圳大学生物医学工程学院教授，以《面向临床应用的智能诊断》为题进行了分享。
雷柏英所做的智能诊断研究主要关注阿尔兹海默病与帕金森病两种常见的脑疾病。雷柏英表示，为提升脑疾病的诊断准确率，其团队提出构建多重关系正则化的纵向分析模型，提升智能诊断的准确率，辅助医生临床诊断。
在研究中，针对单时间点数据、多时间点数据、多模板数据不同特点，采取不同的核心方法进行研究，分别将其应用于阿尔兹海默病、轻度认知障碍以及自闭症的临床诊断当中。
此外，雷柏英团队还对深度学习在阿尔兹海默病的早期诊断方面进行了探索，利用MRI的二阶统计数据，将高阶池化方案纳入分类器，结合张量训练、高阶池化及半监督学习的GAN网络用于诊断。
李小萌教授是香港科技大学电子及计算机工程学系助理教授，以《Empowering Clinical Decision-making by AI-based Medical Image Analysis》为题进行了分享。
李小萌介绍了通过高效标注进行医学影像分类、分割及检测，医学影像重建，图像预测等团队研究内容，以及利用模型进行泛化研究，如通过联邦学习研究保护医院数据隐私等。
针对训练数据集中同时存在大量未标注数据与标注数据的情况，李小萌及团队基于旋转一致性的自集成模型提出了半监督学习的方法对医学影像进行分割。
此外，由于弱监督学习在图像分割中能够得到像素级别的分割结果，在医学影像中也有着十分重要的应用场景，如病例图像中的腺体分割。在分享中，李小萌介绍了团队在自然图像上进行弱监督学习的方法。
“我们发现了如何利用自然图像上已有的深度学习模型，使其在医学影像中发挥更大的作用。”李小萌表示。
赵地教授是中科院计算所副研究员，以《Neuromorphic Computing for Medical Imaging Analysis》为题进行了分享。
赵地介绍，人工智能出现六十年以来，历经两次起伏，如今已经进入真正的爆发前夜。
作为深度学习发展阶段中的重要组成部分，卷积神经网络（CNN）图像识别目前医学图像分析的主力手段之一，但随着模型越来越大，参数规模不断增长，新的技术手段也逐渐进入人们的视线。
第三代神经网络脉冲神经网络（SNN）也叫内脑计算或神经形态计算，与CNN相比，SNN的功耗有了数量级的降低。赵地认为，SNN是人工智能未来发展的可能方向。
因此，融合了SNN与CNN的脉冲卷积神经网络（SCN）极具发展潜力。在分类和目标检测分割的准确率较为接近的情况下，SCN的能耗远低于CNN。
赵地表示，内脑计算的发展将对医疗健康领域的研究产生很大的促进作用。
雷峰网(公众号：雷峰网) 雷峰网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
