0
《未來醫療大講堂——醫學影像專題》第二期總結文：一個只給醫療AI從業者、影像科醫生、名校師生、CFDA工作人員看的系列課程。
注：120分鐘的視頻信息量巨大，文字僅為冰山一角，強烈建議觀看完整版視頻，請點擊鏈接：http://www.mooc.ai/open/course/349
近日，雷鋒網AI掘金志邀請到了肽積木科技CEO柏文潔，為大家深入講解《AI 醫學影像的三大技術實戰、優劣與經驗》。
作為一名處在AI醫學影像產業一線的管理者和算法研究者，柏文潔立足實踐經驗，在120分鐘的分享里為500多位資深醫療人工智能專業人士剖析了醫療影像AI的實戰方法與案例，并重點分析了分類網絡、圖像切割網絡、GAN網絡在醫療影像中的應用及其優缺點。
柏文潔指出，雖然從邏輯上理解，分類網絡比較簡單，但從解決問題的角度來說，分類問題是遠期目標，短期內難以應用。病灶標識和視頻跟蹤并不直接對疾病進行判別，只是作為醫生的一種輔助，相對容易實現，是AI應用的中期目標。
柏文潔
柏文潔，北京肽積木科技有限公司創始人&CEO，大數據領域的連續創業者，知名大數據公司信柏科技、時趣互動運營核心創始成員。AI算法工程師，獨創的LP-NET算法在醫療影像病灶識別方面取得國際領先水平。
醫療影像的常見應用問題以及我們應該怎么做
醫療影像應用的深度學習解決方案
分類網絡在醫療影像中的應用、優缺點及拓展
圖像切割在醫療影像中的應用、優缺點及拓展
GAN網絡的應用場景及思考
以下文字為柏文潔課程節選：
柏文潔指出，在普通民眾看來，醫療AI應該能替代醫生，但現有的深度學習算法主要還是對傳統方案的優化，是一些新的工具。這些新的工具未來有可能發生質變，但還需要我們的共同努力。
AI醫療影像作為AI切入醫療的突破口，仍然只是傳統醫療流程中的一部分，對醫療影像的判讀是醫生診斷治療的參考依據之一。現有的AI醫療影像還無法構成一個閉環，完成對患者的診斷及治療方案規劃。因此AI必須先融入到醫療環節之中，才能提升醫療效率和降低成本。
目前絕大多數AI醫療影像創業公司都是技術背景出身，融入醫療環節相對比較困難，普遍會遭遇三個問題：
數據坎：一方面，創業公司通過和三甲醫院合作獲取的數據無法直接使用，面臨數據標記的難題。另一方面，如果創業公司的產品沒有融入到醫院的業務流程中，就無法獲得長期、持續、有效的數據。
渠道坎：CFDA認證是醫療行業的一道硬性門檻。雖然近期CFDA對醫療AI產品有逐步開放的趨勢，但要通過認證還是非常困難的，而且過程十分漫長。沒有CFDA認證，就無法形成穩定的營銷渠道，也很難給渠道商足夠的利潤空間去推廣產品。
硬件坎：在醫療場景中，很多時候AI必須結合硬件使用，而且也只有通過硬件，AI才能夠獲取相應的價值。目前很多人臉識別廠商已經開始做攝像頭之類的硬件產品了。
從更高的維度來說，AI應用于診斷環節能夠產生的社會價值是低于治療環節的。醫生最關注的還是如何更加高效地，以更低的成本治病救人。
盡管面臨諸多挑戰，但柏文潔認為AI在醫療行業的應用前景仍然是潛力無限的。現有的傳統醫療環節中，可被AI提升和改造的地方非常多。如果我們能把AI的能力應用到這些場景中，將對整個行業產生極大的提升，正如大數據對對傳統行業所產生的影響那樣。
柏文潔首先對AI在醫療影像中的應用進行了一番梳理。她介紹道，醫療影像主要有放射性影像（X光、CT、MRI、OCT等），超聲、彩超檢測，病理檢測，內窺鏡檢測，高倍拍照（主要針對眼底、皮膚）等幾種類型。
針對這些不同類型的醫療影像，又主要有分類、標記、切割和序列四種處理方式，它們分別對應的范圍為圖像、區域、像素和視頻。以傳統的CAD問題拓展出更好的結果，這是目前應用比較廣的熱點問題。
柏文潔認為，雖然從邏輯上理解，分類網絡比較簡單，但從解決問題的角度來說，分類問題是遠期目標，短期內反而難以應用。因為我們最終要做的是判斷患者有沒有疾病，而現有的技術還很難對疾病進行非常準確的判別。
病灶標識和視頻跟蹤并不直接對疾病進行判別，只是作為醫生的一種輔助，因此是AI應用的中期目標。
分類網絡應用于醫療影像，優點非常明顯——簡單明確而且有很多預訓練結果。基于這些結果可以做進一步的預訓練和遷移學習。
與此同時，分類網絡的缺點也很明顯：
一、需要大量的數據。即使用遷移學習的方法，起碼也需要數萬量級的數據才能做分類。
二、針對小病灶的分類容易產生偏差。過去的分類模型都是對貓、狗等較大的物體進行分類，相對比較容易。
三、分類標注往往不具備客觀性。如果有解剖金標準做為依據，分類是比較簡單的，但在實際應用場景中，很多分類標準不具備客觀性，而是受醫生的個人情況和醫院的知識傳承影響。
四、可解釋性差。在醫生給出分類標準的前提下，算法的分類結果與醫生可能存在一定的差異，無法令人信服。
柏文潔認為，圖像切割是AI在醫療影像中應用最豐富的場景。因為醫生在診斷和治療過程中經常需要將病灶區域清楚地描繪出來，為后續提供指導意義和價值。但在一些特殊情況下——尤其是在一些X光片中，邊界非常模糊無法進行圖像切割，只好用物體識別的方法。
目前圖像切割的主流做法有三種：編解碼結構、孔洞卷積和條件隨機場。其中Unet是最主流的網絡之一，也是首個應用于醫學案例的FCN網絡，是深度學習用于圖像切割的早期重要論文。
隨著研究不斷深入，Unet也取得了一些最新進展：
首先是大內核，它解決的核心問題是，在FCN的同時對多個物體進行切分，然后進行分類。這種情況下，小內核對整體信息的把握是不夠的。
其次是PSPnet。PSPnet會把整張圖切成四等份再做pooling，這樣的好處是可以獲取全局的信息。
MaskRCNN也是比較新的，它實際上整合了物體識別優勢和方法。柏文潔表示很看好這種方法，正在積極探索其在醫療領域的具體應用方法。
Unet適用于邊緣明確的組織和病灶，但它也存在一些不足：首先數據量嚴重不足，數據標記很難獲取；其次病灶類別具有天然的不均衡性。網絡上的很多公開數據庫都是對數、汽車之類的物體進行分割，這類物體在圖片中的占比很高，實踐起來相對容易。但病灶在圖片中的面積占比通常非常小。以眼底圖像為例，用FCN直接訓練眼底圖，一不小心就可能訓練成全陰性的網絡。
今年GAN網絡十分火熱，不停有人發布新的GAN網絡。但GAN網絡在醫療領域的應用目前還非常有限的。
柏文潔認為，GAN網絡在醫療領域其實是有一些應用場景的，比如圖像切割和增強樣本。眾所周知，GAN網絡一半用于生成一半用于判別，比如我們可以用GAN網絡生成圖片的一部分或者一個眼鏡。圖像的標記本質上也是一種信息生成，在此基礎上可以做后期溯源。
既然GAN網絡可以生成圖像和標記，那么是不是也可以生成更多的數據和病灶，解決數據不足的問題呢？
目前業界正在對GAN網絡進行積極探索，可惜迄今為止在醫療領域尚未誕生特別有影響力的論文。用GAN網絡生成的偽樣本還缺少足夠的實用價值。這主要是因為大家對于GAN網絡內在機理的探索還不夠。
直播結束后，學員從不同維度提出27個問題，柏文潔對部分問題進行了耐心解答：
Q：目前市場上的糖網系統落地應用狀況如何？落地過程中曾面臨過哪些臨床問題？
Q：如果使用核磁圖像做特征提取，需要對核磁圖像做哪些預處理？
Q：最近NIPS有沒有推薦的優質AI醫療影像論文？
Q：從醫院獲取的圖像中，經常有測量結節大小的“+”或“×”字標記，這種圖像對訓練網絡有影響嗎？
Q：在諸多醫療影像應用中，哪些是比較成熟的？CT、MRI、超聲還是其他？
……
詳細內容和精彩問答，歡迎點擊鏈接：http://www.mooc.ai/open/course/349 雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
