2019年8月24-26日，第三屆圖像計算與數(shù)字醫(yī)學國際研討會（ISICDM 2019），在西安索菲特酒店召開。研討會由國際數(shù)字醫(yī)學會與國家天元數(shù)學西北中心聯(lián)合主辦，西安電子科技大學數(shù)學與統(tǒng)計學院與空軍軍醫(yī)大學（第四軍醫(yī)大學）生物醫(yī)學工程學院聯(lián)合承辦。

雷鋒網(wǎng)&AI掘金志第三次作為大會首席合作媒體，全程參與ISICDM的報道。

在8月24日上午的數(shù)字醫(yī)學與智能診療分會上，復旦大學的宋志堅發(fā)表了題為《深度學習用于計算機輔助診斷與治療：面臨的問題、機遇與挑戰(zhàn)》的演講。

宋志堅教授是復旦大學特聘教授、數(shù)字醫(yī)學研究中心主任、上海市MICCAI（Medical Image Computing and Computer Assisted Intervention ）重點實驗室主任。

在演講中，宋教授分享了團隊在前列腺mpMRI（多參數(shù)磁共振）診斷、臨床數(shù)據(jù)增強以及頭頸部放療危險部位分割的成果。

以mpMRI診斷為例，因為數(shù)據(jù)量和特異性的問題，判斷前列腺癌是否具有臨床顯著性風險，這是一個非常大的臨床需求。宋教授的團隊建立了一個專門用于前列腺癌診斷的網(wǎng)絡架構(gòu)，成績連續(xù)八個月在ProstateX Grand Challenge排在第一。

此外，宋教授還就AI在醫(yī)療領域的前景發(fā)表了自己的看法：“從經(jīng)濟角度來看，自第三次工業(yè)革命以來，新的創(chuàng)造財富的科技動力還沒有真正到來，大家均在期盼第四次工業(yè)革命為人們帶來新的機遇和發(fā)展動力?！?/p>

其中就包含了對人工智能所寄予的希望，深度學習是人工智能的核心技術之一。但是，目前深度學習還存在四個方面的問題（尤其是在醫(yī)學上的應用）：個別輿論宣傳偏離了科學本身、監(jiān)管政策、黑箱問題、隱私與黑客攻擊以及數(shù)據(jù)的數(shù)量與質(zhì)量。

以下是宋志堅教授的演講內(nèi)容，雷鋒網(wǎng)作了不改變原意的編輯

宋志堅：我本人是從事手術導航、手術機器人領域研究的人員。這幾年，人工智能尤其是深度學習得到了廣泛應用，我們也開展了一些這方面的研究工作，今天想結(jié)合我們實驗室工作的具體工作，和大家交流一下深度學習給醫(yī)學診斷和治療帶來的機遇及其存在問題。

大家都知道，要讓計算機為我們?nèi)祟惞ぷ?，幫助我們解決問題，大致可以分為兩個思路。

第一個是人工建模的思路，這種思路的步驟是首先提出問題，然后對問題進行深入的分析和探討，在這個基礎上提出算法，然后再根據(jù)算法來進行編程。

另外一種思路就是機器學習方法，它也是人工建模，最典型的就是神經(jīng)網(wǎng)絡，但是人工僅建一半的模型，剩下的一半模型，例如神經(jīng)網(wǎng)絡的參數(shù)不是人工確定的，而是通過對數(shù)據(jù)進行訓練而獲得，亦即，根據(jù)我們希望輸出的結(jié)果和實際結(jié)果的差異，經(jīng)過反復迭代而最終將網(wǎng)絡參數(shù)確定下來。

如果網(wǎng)絡的隱層很多，一般稱之為深度學習網(wǎng)絡。這幾年深度學習的發(fā)展很快，它能解決許多非線性的問題。

以往我們靠人工建模較難以解決的問題，現(xiàn)在通過深度學習很可能可以取得很大的進展。也就是說，深度學習給我們帶來了許多機遇。

牛津大學的科研人員進行了一個評估，今后幾年哪些工作有可能會被人工智能所替代。其中與我們醫(yī)務人員最相關的就是外科醫(yī)生，從2016年算起，35年左右就有可能會被人工智能所替代（文章并未詳細說明替代到什么程度）。

近年來，深度學習在醫(yī)學診斷和治療方面的研究有很多，我們可以快速回顧一下這方面的進展。

首先我們看一下人工智能在肺結(jié)節(jié)診斷方面的相關實驗，18名放射學專家有17個被人工智能超過；肺炎、心臟肥大的AUC指標分別是0.63和0.87；3D CT 診斷在中風方面的研究AUC達到了0.73。

而且，深度學習的診斷速度很快，是人工的150倍。

此外，還有利用深度學習對基因組學進行研究的案例。

在皮膚病方面，皮膚癌的診斷準確度達到0.96，黑素瘤方面達到了0.94。這方面的研究很普遍，進展也很快。上面這個是很典型的基因組學的網(wǎng)絡結(jié)構(gòu)，由于時間關系就不展開描述了。

這個是電子病歷，它將影像學、基因組學還有電子病歷作為輸入和訓練對象，所建立的網(wǎng)絡可用于對疾病進行自動診斷。

人們對某一事物的認識往往是通過科學實驗或臨床實踐而來。針對深度學習在疾病診斷和治療領域的應用，我們實驗室開展了一些工作，我借助這個機會把我們的工作簡單介紹一下，具體介紹三個實例。

第一個介紹的是前列腺癌診斷的問題，判斷前列腺癌是否具有臨床顯著性風險，這是一個非常大的臨床需求。

我們用的是多參數(shù)磁共振的數(shù)據(jù)，因為圖像量非常大，所以醫(yī)生診斷工作量就很大；另外一個重要原因是，醫(yī)生通過MRI對前列腺癌的診斷，和CT對肺臟、肝臟疾病的診斷不一樣，前列腺癌的特異性不是很好，診斷的難度要大一些。

所以，通過多參數(shù)磁共振圖像實現(xiàn)對前列腺癌的診斷診斷，是大家都在研究的前沿問題。

我們的整體思路是這樣：

首先，我們對前列腺癌進行一個大致的位置確定，即預處理。

其次，我們建立一個專門用于前列腺癌診斷的網(wǎng)絡。在這個基礎上，我們對它進行訓練測試，看看它的準確性，這是總體的框架。

具體而言，對每一種參數(shù)的前列腺的數(shù)據(jù)，我們有一個連續(xù)卷積的過程。我們看每一個小方塊，放大以后是這樣的。我們對某一個圖像，比方說256*256的圖像，首先是3*3*64的卷積，卷積以后就形成了256×256*64個卷積。

卷積結(jié)束以后，我們再進行一個1*1*64的卷積的操作。這樣就把256*256*64變成了256*256*1，這是3*3的卷積，然后緊接著是一個5*5的卷積。

最后，我們把這兩個卷積連起來，再進行一個pooling的操作。那么2*2的pooling之后，256*256就變成了128*128。

回過頭來看，假設是256*256的圖像，再是128*128*64，一直下來是一個8*8的圖像，我們把8*8圖像的每一個像素、每一個參數(shù)的卷積，結(jié)合前列腺癌的位置，把它連起來進入全連接進行判斷，最后可以得出一個結(jié)果。

我們用的數(shù)據(jù)集是SPIE所提供的Prostate X挑戰(zhàn)賽數(shù)據(jù)集，訓練集利包含204名患者的330個病變，測試集包含了142名患者的208個病變。

現(xiàn)在測試下來，我們的成績連續(xù)八個月排在第一。

我認為，最關鍵的是建立了一個專門用于前列腺癌診斷的網(wǎng)絡架構(gòu)。

我們做的第二個工作是臨床數(shù)據(jù)增強。

在前列腺穿刺導航研究當中，首先要對前列腺進行分割。這里面會遇到一個問題，就是臨床數(shù)據(jù)包括前列腺數(shù)據(jù)的獲取很難。此外，醫(yī)生在這方面的工作量很大。

因此我們做了一個圖像增強的工作，也就是怎樣由小數(shù)據(jù)形成大數(shù)據(jù)。

這個工作的基本思路是這樣：

首先我們對圖像進行預處理。在此基礎上，我們針對每一個訓練集的圖像，用統(tǒng)計模型對數(shù)據(jù)進行增強。也就是說，從概率統(tǒng)計上看，前列腺的輪廓最大概率的形狀有哪些？

所以，根據(jù)一組輪廓能生成多個新的輪廓，然后對某一個生成的輪廓，找到最接近的那個輪廓所對應的圖像，然后用輪廓之間所對應的最接近的關系，把對應圖像的紋理進行插值。

這樣，就由小數(shù)據(jù)生成了大數(shù)據(jù)。它的基本思路是這樣的，然后把原來提供的數(shù)據(jù)和我們生成的數(shù)據(jù)進行訓練，得出結(jié)果。

這個是由小數(shù)據(jù)生成大數(shù)據(jù)的一個圖示化結(jié)果。

我們可以看到，上面是原來提供的數(shù)據(jù)，下面是我們模擬生成的?？梢钥吹?，我們生成的圖像很漂亮，像真的一樣，那么它有沒有用呢？

我們做了試驗，使用CNN和Unet進行驗證?？梢钥吹?，隨著生成數(shù)據(jù)的增加，圖像分割精度也在迅速提升。

所以，我們生成的數(shù)據(jù)在網(wǎng)絡訓練中是起作用的，能夠在數(shù)據(jù)不足的時候，用數(shù)據(jù)增強的方法，部分地解決問題。

這是我們以圖像分割為例對數(shù)據(jù)增強做的試驗，對增強的數(shù)據(jù)進行驗證，上圖分別是2D和3D上的前列腺分割結(jié)果。

第三個工作是頭頸部放療危及器官的分割。

頭頸部放療，通常要對一些危及器官進行規(guī)避，即放療中不能損害到到這些危及器官。這么多的危及器官，一般有9到10個，要靠人工勾畫，醫(yī)生的工作量很大，有沒有可能用人工智能的方法把危及器官自動分割出來。

我們工作的基本思路是這樣：首先，因為訓練集的圖像已經(jīng)是分割好了，我們把分割好的圖像把它提取出來，其他的都不要了，這樣就形成了兩個系列的圖像。對這兩個系列的圖像因為它訓練速度的問題我們進行了下采樣。

對這個圖像，我們經(jīng)過傳統(tǒng)的計算方法，把已經(jīng)分割好的地方用一個小的立方體框住。

首先，訓練找到頭頸部某一個器官的大致位置，把這個圖像輸入第一個名為LocNet的網(wǎng)絡（基本結(jié)構(gòu)和Unet相似），對它進行訓練。

訓練是以我們關注的器官的位置作為標準，看看我們訓練的和它有什么區(qū)別？如果有區(qū)別的話，再進行迭代把這個參數(shù)確定下來。

最后結(jié)果是，把整個器官的位置定位下來，然后根據(jù)這個位置來找到對應圖像的位置，然后僅對這幅圖像我們所確定的與器官相關的位置進行第二次訓練，我們叫SegNet，通過它進行訓練分割。

測試數(shù)據(jù)時，當兩個網(wǎng)絡結(jié)構(gòu)定下來以后，把這個數(shù)據(jù)先定位，然后在定位的基礎上進行分割。

這個是我們分割的具體可視化的結(jié)果。

可以看到，九個位置的分割都比較準確。當然這里面也有不準確的，我們的測試數(shù)據(jù)有部分不是很準確。

從整體平均數(shù)據(jù)比較，我們用了兩個參數(shù)。

一個是Dice系數(shù)。與國際上其他方法比較，九個部位里有五個排名第一，兩個排第二；第二個，95% HDs距離，九個部位里有七個排第一，兩個排第二。可以看出，我們的工作還是比較成功的。

最后是我們的一些思考，對今后的機遇問題簡單介紹一下。

我們可以回顧一下工業(yè)革命的歷史。

第一次工業(yè)革命以蒸汽機為標志，這個和醫(yī)學沒有太大關系，最起碼沒有直接關系。

第二次工業(yè)革命的標志是電力的發(fā)明，這個應該說和醫(yī)學有間接關系。

以計算機及信息技術為標志的第三次工業(yè)革命和醫(yī)學的關系就密切多了，比方說CT、核磁共振、PET等均得力利于計算機技術。亦即，信息技術推動了醫(yī)學的發(fā)展，尤其是推動了診斷和治療的進步。

現(xiàn)在，第四次工業(yè)革命尚未到來（有人說即將到來），而第三次工業(yè)革命的紅利已基本耗盡，這意味著什么呢？

意味著，新的增長點沒有形成，財富增量正在逐漸縮小，國際上部分利益集團，尤其是老牌發(fā)達國家的利益集團，要維持原來的生活水平，就不得不從別人口中搶蛋糕。所以大家就可以看到國際上會出現(xiàn)一些怪現(xiàn)象。例如，你不能生產(chǎn)電視機，而我可以，那么我獲得了很多財富；以后你能夠生產(chǎn)了，但是我的質(zhì)量比你高，我還是能夠盈利。但如果技術長期沒有突破，后來居上，那么原來生產(chǎn)電視機的廠家利潤便會迅速下降。

在第四次工業(yè)革命的浪潮中，誰搶占了先機，誰就將獲得更大的發(fā)展的空間。因此，這幾年對國家間的競爭非常重要。

目前，新的增長點有可能集中在如下幾個方面：一個是人工智能，其核心應該是deep learning（深度學習），此外還有可控核聚變、石墨烯、量子信息、新能源等等。其中和醫(yī)學關系最密切的就是deep learning，但是，現(xiàn)在要在這方面實現(xiàn)突破的話，還有許多問題需要解決。

一、輿論偏離了科學

我們現(xiàn)在輿論上宣傳的內(nèi)容和實際上有一些差異。首先我們應該認清，深度學習和傳統(tǒng)方法最大的不同是，它并非完全依靠人工建模，而是相當程度上依靠大數(shù)據(jù)訓練形成參數(shù)并確定模型。因此，過去許多人工建模解決不了或解決不好的問題，通過深度學習能夠為我們提高新的機遇。但同時，我們也要看到，深度學習也存在一些自身的問題。例如，傳統(tǒng)建模的方法如果推理很嚴謹，那么一百個數(shù)據(jù)進去，一百個都是準確的。而人工智能這種方法，一百個數(shù)據(jù)進去可能有幾個是不準確的，但是在臨床上，這一百個數(shù)據(jù)是不允許出現(xiàn)問題的。

二、監(jiān)管政策

監(jiān)管政策法規(guī)會限制深度學習在臨床上的應用。舉個例子，比方說國際工程師協(xié)會將自動駕駛分為五級，第五級就是完全的自動駕駛，人已經(jīng)完全不干預。但是，現(xiàn)實政策上限制在Level 4上，也就是說，不能完全是自主駕駛，最起碼人要在旁邊看著。

在臨床層面應用人工智能的話，大家普遍應該是Level 3。就是說，不能把對疾病的診斷的重要事情全部交給人工智能，最起碼現(xiàn)階段很長一段時間內(nèi)不行。

三、黑箱問題

歐洲通用數(shù)據(jù)保護條例規(guī)定，如果要把AI用在醫(yī)學上，尤其是用在臨床上，必須要對所建立網(wǎng)絡的基本原理作出解釋，這個恰恰是人工智能、深度學習的弱點。

四、隱私和黑客攻擊，數(shù)據(jù)如何避免遭到黑客的攻擊

五、數(shù)據(jù)的數(shù)量和質(zhì)量

如果我們在臨床上獲得數(shù)據(jù)的時候，臨床上標記錯誤，這些都是深度學習在醫(yī)學上尤其是臨床上應用需要解決的問題。

舉一個很典型的例子，這是今年4月發(fā)表在美國婦產(chǎn)科雜志上的一篇文章，它是用兩種模型，對白蛋白水平與宮頸癌預后結(jié)果的關系進行判斷、推測。

深度學習得出來的結(jié)果和臨床共識，以及我們傳統(tǒng)模型得到的結(jié)果不一樣。

人工智能認為該蛋白的水平和宮頸癌的預后沒有直接關系。那么，按照傳統(tǒng)的思路，這應該是一個比較重要的發(fā)現(xiàn)。

但是要讓大家接受這個研究結(jié)果，需要解釋為什么。人工智能是如何得出這個結(jié)果的。

所以這篇文章在討論的部分說到：我們研究遺憾的地方在于，深度學習不能解釋為什么出現(xiàn)這個結(jié)果。我們只能說，所訓練的網(wǎng)絡測試下來是這樣一個結(jié)果，大家要接受這個結(jié)果，需要深度學習有更深入的解釋。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。