欢迎来到北国名人

版权声明 关于我们 客户服务

您的位置:首页 > 科技 > IT业 > MICCAI 2019 :纪录、风向与学术思考

MICCAI 2019 :纪录、风向与学术思考

2019-10-23 来源:雷锋网  浏览:    关键词:机器学习,深度学习,周少华

1.jpg
10月13-17日,MICCAI 2019在深圳举行,为期5天的大会上,来自世界各地的学者合力贡献了一场“学术盛宴”。
MICCAI Society 主席Leo Joskowicz在MICCAI期间表示,人工智能和深度学习的力气在不时增强,但不同的临床范畴和技术范畴也存在多样性,这次MICCAI上的研讨会和论文都是创纪录的。而且,来自科学界和商业界不同范畴的兴味日益浓厚。
这股兴味也直接反映在了注册人数、论文上:MICCAI的注册人数突破2300人,较2017年翻了一倍;投稿数量大幅增加较去年增加63%,最终的收录数量抵达了538篇。
此外,今年的tutorials、workshops和challenges的数量抵达创纪录的60多个,研讨会和赛事以至延长到晚上;20多家企业成为本次大会的资助商;大会总共资助了113名学生前来参会,其中48名是本科生。
这些都是MICCAI 2019留下的亮点成果。
会议举行前夕,曾有一个小插曲:由于MICCAI 2019的注册人数已超2000人,而主会场只能容纳1500人左右。为此,大会主席沈定刚教授曾发了一条朋友圈,提早征集自愿者在分会场参会。虽是无法之举,但也直接阐明了本次MICCAI的火爆水平。
作为医学影像剖析行业的顶级学术会议,MICCAI能够说是该范畴研讨的风向标。而从一年一度的大会上,我们也能够嗅到来自未来的气息。
大会主席评述青年科学家奖
首先,我们先看一下今年的MICCAI青年科学家奖(Young Scientist Award,YSA)。青年学者是学术研讨的中坚力气,该奖项惩处由青年科学家撰写的质量最高的论文,每年最多颁发五份YSA。今年MICCAI共收录了538篇文章,而这5篇文章,能够说是“凤毛麟角”的精髓。
雷锋网也在第一时间拿到了大会主席沈定刚教授对这5篇论文的点评。
1.png
点评:这篇文章的贡献是设计了一个针对三维医学图像剖析的预锻炼模型,这样处置了以前大家只能用 ImageNet 里的二维数据锻炼出来的预模型,并且得到更好的效果;在5个医学图像的分割和分类问题上取得抢先的效果;在作者的口头发言中也给出了开源代码(https://github.com/MrGiovanni/ModelsGenesis)。
点评:主要的贡献是在多类分类任务中,将不同类型的样本映射到预先定义好的具有依附关系、并且平均散布在整个特征空间中的相应子空间,而不是像传统办法中只是简单将不同类型的样本映射到距离较远的不同子空间。
点评:这篇文章要处置的问题是用病理图像和基因数据来预测生存期。通常的特征选择办法是用单任务的办法完成特征选择。这篇文章的基本思想是把生存期预测和临床诊断信息预测作为多目的任务来中止特征选择(固然临床诊断信息的预测不是这篇文章的目的)。在公开数据集上,跟其他办法相比,有3%左右的精度进步。
点评:眼底图像分割普通是先做像素分割,然后估量出不同层的边境。不过,这样的分割办法没法端到端地优化整个分割任务,而且每一层边境的平滑性和层与层之间的前后关系都没有在一个网络中综合优化。这篇文章的主要想法是将一切的分割任务(像素分割、边境估量和相邻边境的关系)都放在一个网络来优化,这样能够抵达整体优化的目的,并且得到好的结果。
点评:这篇文章主要想处置随时间变换的外形数据的聚类问题;作者提出了一个混合模型来处置生长过程中一类变成多类(例如两类)的问题。在脑老化的应用中,该办法能够挖掘出海马外形随年龄老化分红两个子类。
深度学习是热点 但不是独一
看完了最佳论文,我们再看研讨趋向。
在为期5天的大会上,让雷锋网印象最为深化的一句话,来自2014年当选为MICCAI Society fellow的英国帝国理工学院教授Daniel Rueckert。
1.jpg
深度学习是近几年人工智能的主流办法,这次大会收录的500多篇论文,大都是应用深度学习技术中止临床工作流程的优化或是对细致图像中止计算、剖析。
与此同时,我们也能够看到,深度学习与传统学问模型分离的声量越来越大。
CVPR和 MICCAI 的范畴主席、MICCAI 2020 程序委员会联席主席周少华博士,曾在此前自己的一篇文章中表示,往常的研讨更在于如何将深度学习分离自己问题的范畴学问,才干抵达首创性。
1.jpg
(MICCAI理事会成员、MICCAI 2020 程序委员会联席主席 周少华博士)
这个观念在雷锋网与沈定刚教授、Daniel Rueckert教授、Nicolas Ayache教授等人交流时得到了分歧的回答。
1.jpg
沈教授表示,每一种办法都各有利害,深度学习和学问模型相分离的办法,学者们不时在探求。“模型意味着把问题简化,用数学的方式来表示问题,但是里面有很多问题无法用这个模型来描画,而深度学习的参数十分多,能够处置很多细致的问题。怎样样把两者分离起来,十分重要。我永远以为,研讨不能只倾向其中一个方向。”
作为MICCAI 2020 程序委员会联席主席,周少华博士向雷锋网分享了,除了深度学习与学问模型融合之外,四个新的学术研讨趋向。
一个方面是深度学习的自动化。周少华表示,深度学习受很多人工的东西影响:人工标注的数据、人工设计的网络架构、loss函数也是要人工设置。“所以,我觉得,一个比较大的趋向是去自动化完成这些工作。目前,这些方面的研讨也比较多。”
第二个方面是成像与剖析的紧密分离。“成像与剖析是整个影像链中两个有机组成部分。我们往常是有了图像之后再中止剖析,但是假如在成像端与剖析直接分离,也能够做很多有意义的事情,也契合端到端学习的思绪。”
第三个方面就是联邦学习(Federated Learning)。联邦学习是一种新兴的人工智能基础技术,能够让开发者与各企业机构应用分散在多个位置的锻炼数据对中心深度神经网络(DNN)中止锻炼的学习范式,这个办法能够支持各企业机构针对共享模型展开协作,而无需共享任何临床数据。
沈定刚教授也以为,研讨办法都是来自于实践应用场景。联邦学习关于医疗数据的隐私性来说是一个很好的办法,既能够保证数据“不出院”,又能够应用不用医院的数据锻炼同一个算法。
第四个方面,也是周少华博士研讨的偏重点,在于通用表征学习(Universal Representation Learning, URL),尝试用一种通用的学习办法来同时处置多个任务,每个任务能够有不同的范畴。
通用表征学习的益处在于,单个任务的数据量不大,难以锻炼一个好的模型。假如将一切任务放在一同,就会有更多的数据,进而更好地提升模型的性能。“我们希望能够学到一个通用性的表达,对一切的任务都能适用。”
随着AI应用的不时推行与落地,能够预见的是,“古今分离”和从临床需求衍生出的新办法将不时涌现。
全链条、全栈的设备端AI
软硬分离、设备端的AI越来越成为器械商们顺应智能时期的方式。
目前,国内很多初创公司的发力点集中在诊断环节,但医学是一个很长的链条,每个环节都大有文章可做。将AI应用到源头,即成像质量的进步,将会是未来的一大热点。
在12日的早上,沈定刚教授在一个小型的会议不时强调:未来,单模态、单个流程的诊断方式会向全链条、全栈式的方式展开。从成像、筛查、诊断、预后,以及后面的治疗和随访将大有文章可做。
此前,东软医疗AI首席科学家黄峰也向雷锋网表示,设备端的人工智能是真正处置了医院的痛点,给医院发明更多的价值,“医院每天扫描50个病人还是100个病人是有很大区别的,直接影响着医院的接诊才干,医生也更偏爱于智能的设备所带来的高效体验。”
“软件会向硬件靠拢,两者不能分别。由于数据是为了临床效劳。”沈教授解释道,这也是自己和周翔博士在面对众多选择时,决议参与联影智能的缘由。他将联影集团比作一艘航空母舰,而联影智能的AI产品就是一艘艘的小潜艇,能够自但是然地与硬件中止分离;同时,又能够成为独立产品,直接赋能临床应用。
如何更好的完成设备端的“软硬分离”?联影智能COO 詹翊强分享了联影智能内部的研发方式:构筑一个内部研发平台。经过内部研发模块“复用性”,摊平先期投入的研发本钱。“我们在开发第一个AI产品的时分投入会很大,第二个AI产品投入会比较大,但随着应用越来越多,我们的研发投入会越来越小,而且研发周期会短很多。”
在这样的思绪下,器械商们也寻求搭建软件生态开放平台。以联影智能为例,联影智能在全国多家医院部署了自家的uAI Clinical Portal,搭载了掩盖脑卒中、肋骨骨折、乳腺病变、气胸等疾病的全栈式AI。
1.jpg
(联影智能COO 詹翊强)
詹翊强表示,在中国,单纯售卖软件很难扩展范围。AI展开到现阶段,软硬分离曾经成为重要的展开方向,两者相互依存。“从硬件角度看,软件能够让硬件增值。而从软件的商业角度来说,假如有一个硬件作载体,将易于变现,特别是在专业范畴,例如医疗影像范畴,由于对医生而言,软硬一体化处置计划或许更能契合医生的需求。”
未来,人工智能将成为影像剖析范畴的标配,器械商会越来越注重设备端的智能。
医生和企业的“存在感”越来越强
今年,医生和医疗AI公司成为本次MICCAI大会上不可忽视的两股力气。据了解,今年有20多家企业成为本次大会的资助商。
并且,医疗AI企业积极投稿,也都取得了不错的成果:腾讯觅影有8篇论文被收录、联影智能有7篇论文被收录、视见科技有6篇论文被收录、深睿医疗有5篇论文被收录,其他企业也均有论文入选。
沈定刚教授就表示,很早以前国内(包括香港)每年有十篇左右的文章会被接纳,比例只需3%-4%。2018年,整个亚洲文章所占的比例还十分低,加起来只需18%。
但是,今年亚洲的录取文章比例曾经抵达37%,超越了美洲。而这些录取的文章里,绝大多数(150篇左右)来自于中国。“去年国内企业被收录的论文数量接近20篇,今年的数字大约在40篇,医疗AI企业在其中作出了重要的贡献。”
除此之外,大会还对企业敞开了大门,设置了Industry Forum和Industry Session,约请了来自联影智能、西门子、腾讯、安全科技等公司在大会上分享自己公司的论文。
另一个值得留意的现象是,医生在MICCAI中的身影越来越频繁。
作为“肉体放射影像”的代表,华西医院的龚启勇教授在大会第二天上午发表了长达一个小时的Keynote Speech。同时,上海长征医院的刘士远主任、北京大学第一医院的王霄英主任都分别在各自的Session中发扮演讲。
当然,从2016年开端,医生就不时是医疗AI产品的引路人。医生也对往常的AI产品提出了很多见地和倡议。
王霄英主任说,一些AI模型在临床工作中实践运用时,并不像在实验室一样面对的是经过选择和清洗的规范化数据。不同医院在常规工作流程中生成和存储的图像数据性质不完整分歧,在未做针对性锻炼的状况下,AI的效能可能遭到影响。
“以我们锻炼的前列腺癌分割模型为例,这个模型需求的是高b值DWI图像,你给它的不是这个格式的图,结果可能就不精确。假如需求由医生人工把AI能够辨认的影像分拣出来,再交给AI处置,就做不到自动化,医生仍会不称心。”
1.jpg
(北京大学第一医院医学影像科主任 王霄英)
往常,王霄英主任所在的放射科也在积极地应用公认的、性能稳定的开源框架,尝试做一些AI小工具,目的是探求如何将不同的AI工具顺畅地植入到实践工作流程中,医生应如何运用各种不同的AI工具,如何在实践工作中考证AI的性能。“胸组、神经组、骨肌组、腹组等团队都有各自的项目。发起一个项目的时分,大家会思索三个要素:工作有没有临床价值、问题是不是常见、技术上是不是可行。”
王霄英以为,普适性的、成熟的AI还没有呈现,处置小问题的、提升效率的AI曾经进入初步应用。医生对AI正在 “接纳”过程中,医生需求改造传统工作习气和拓展学问体系,促进AI的展开,提升医疗的价值。
所以,随着医学影像剖析的不时深化,医学AI产品的不时迭代更新,医生的“戏份”将越来越重,继续强化企业与医生的对话机制依然是重点。
“1998年,第一届MICCAI在麻省理工学院举行时,没有人预想到它会展开成为往常的范围,由于那时分的参会人数只需400人左右。但是近几年来,AI技术渗透到了每个角落,也随之点燃了医学影像剖析。我们看到,往常图像重建、增强、分类等方向都在大范围应用深度学习和其他有意义的办法。”
MICCAI 2019召开前夕,MICCAI开创主席James Duncan曾对我们说下这么一席话。而经过22年的展开,MICCAI曾经成为世界顶级的医学影像剖析会议。
2020年,MICCAI将会在秘鲁利马举行。
MICCAI Society主席Leo Joskowicz说到,“我来自墨西哥,并且在那里长大。所以我们的愿景是把MICCAI第一次带到拉丁美洲。四年前,我们就开端竞标了。我们希望把MICCAI给中国带来的影响力带给拉丁美洲,以及鼓舞不同的研讨人员。”
10月11日的一次晚餐上,Leo Joskowicz和一位参会者一同吃晚饭。这名参会者提出了一个问题:“人们会去秘鲁吗?毕竟那边没有很强大的学术团体。”
Leo Joskowicz回答道,MICCAI举行的目的,不只在于那个中央有几个实验室,还在于会议能够为当地带来哪些影响,能否会鼓舞研讨人员投身这个范畴。这是MICCAI选择举行地的一个重要考量。
关于今年的两位大会主席,Leo Joskowicz给予了高度的赞扬。他说,为了这次MICCAI,沈定刚教授和刘天明教授做了很长时间的准备,他们完成的十分出色。我觉得多年以后,人们都会记得今年的这次盛会。
最后,雷锋网(公众号:雷锋网)想分享一段来自沈定刚教授的心扉之言。抛开其他顶级学者对MICCAI 2019以及对中国学者的赞誉,沈教授的这番“说给未来”的话,关于医学影像剖析范畴的后来者,都有足够的收获和教育意义。
今年 MICCAI 的范围很大,文章有538篇,很多其他范畴的人也开端做MICCAI范畴的问题,这十分好。但是,假如大家看一下这538篇文章的主题,会惊奇地发现大多数文章只是聚焦于简单的问题,例如简单问题的简单分割和分类问题,很少有文章聚焦于复杂的问题。这个现象在华人的论文里愈加明显。
我和刘天明(另外一位 MICCAI 大会主席)看到大会第3天、第 1 session中的9位口头发言者时,心里都惊了一下:这个session里没有国内的人,华人也屈指可数。主要是由于这方向太难,需求长期投入,而且出文章的周期长。这是国内研讨的通病,那就是想在短期出成果,并且没有耐烦做长期投入的工作。

版权声明:

本网仅为发布的内容提供存储空间,不对发表、转载的内容提供任何形式的保证。凡本网注明“来源:XXX网络”的作品,均转载自其它媒体,著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处。

我们尊重并感谢每一位作者,均已注明文章来源和作者。如因作品内容、版权或其它问题,请及时与我们联系,联系邮箱:service@qeerd.com,投稿邮箱:tougao@qeerd.com