<mark id="oztn4"></mark>
0
四年前，在MIT一次學(xué)術(shù)交流會(huì)上，不少學(xué)者已經(jīng)開始把醫(yī)學(xué)圖像分析的研究分為兩大流派：數(shù)學(xué)建模派和深度學(xué)習(xí)派，并據(jù)此站隊(duì)。
組織方也針對(duì)這一問題，讓眾多國際知名專家展開了一系列的辯論，探討哪種方法才是醫(yī)學(xué)圖像分析的未來。
MICCAI創(chuàng)始主席、ISICDM大會(huì)主席之一James Duncan教授在接受雷鋒網(wǎng)采訪時(shí)回憶到，“那個(gè)時(shí)候，深度學(xué)習(xí)在醫(yī)學(xué)圖像領(lǐng)域的應(yīng)用還不像現(xiàn)在這樣火熱。所以我當(dāng)時(shí)的選擇是站在數(shù)學(xué)建模派這一方，但隨著深度學(xué)習(xí)的快速發(fā)展和不斷優(yōu)化，它逐漸改變了我最初的看法。我現(xiàn)在更加認(rèn)定未來這兩派之爭的結(jié)果，將會(huì)介于數(shù)學(xué)建模和深度學(xué)習(xí)兩者之間。所以，每隔一段時(shí)間我都會(huì)將不同的新老方法進(jìn)行融合。”
兩年后，圖像計(jì)算與數(shù)字醫(yī)學(xué)國際研討會(huì)（ISICDM）首度在成都召開，該論壇創(chuàng)辦的初衷，一方面是推動(dòng)理工醫(yī)交叉融合，另一方面，創(chuàng)造了一個(gè)絕佳的平臺(tái)，讓國內(nèi)學(xué)者與世界級(jí)知名理工專家一同探討數(shù)學(xué)建模與深度學(xué)習(xí)方法。
四年后的今天，連續(xù)舉辦三屆的ISICDM已經(jīng)發(fā)展為世界級(jí)的理工醫(yī)交流會(huì)。
在近期結(jié)束的第三屆ISICDM中，中國科學(xué)院院士徐宗本教授、美國工程院院士John Gore教授，加拿大皇家科學(xué)院院士Terry Peters教授，英國皇家科學(xué)院院士郭毅可教授，四位院士蒞臨本次大會(huì)。
與此同時(shí)，MRI主編（美國工程院院士John Gore教授）、Medical Image analysis主編（耶魯大學(xué)James Duncan教授）、IEEE TBME主編（芝加哥大學(xué)潘曉川教授）也在大會(huì)的多個(gè)環(huán)節(jié)中發(fā)言。
這是雷鋒網(wǎng)連續(xù)三年作為大會(huì)的首席合作媒體，對(duì)大會(huì)進(jìn)行獨(dú)家報(bào)道。前兩日的報(bào)道可閱讀《ISICDM大會(huì)首日：81大專題報(bào)告，審視醫(yī)學(xué)AI的過去、現(xiàn)在與未來》、《后深度學(xué)習(xí)時(shí)代，醫(yī)療 AI 將走向何方？》
芝加哥大學(xué)教授、IEEE TBME主編潘曉川
大會(huì)最后一日，芝加哥大學(xué)教授、IEEE TBME主編、IEEE Fellow潘曉川作為開場嘉賓，發(fā)表重要演講《Opportunities for Basic Research on Image Reconstruction in X-ray Tomography》。
演講中， 他首先介紹了CT的成像原理，并為Dx CT圖像重建的基礎(chǔ)研究機(jī)遇做出預(yù)判，潘曉川總結(jié)出了各個(gè)基礎(chǔ)研究方向機(jī)會(huì)的大小：普通Dx-CT：幾乎沒有；設(shè)計(jì)新Dx-CT：幾乎沒有；低劑量Dx-CT：幾乎為零；心臟Dx-CT：機(jī)遇很小；雙能DX-CT：有一點(diǎn)；光譜Dx CT：有。
隨后，潘曉川談到在x射線斷層成像領(lǐng)域，有足夠的機(jī)會(huì)進(jìn)行圖像重建研究：
1. 新興應(yīng)用程序/市場需要新的系統(tǒng)/工作流
2.X光中小型供應(yīng)商比Dx-CT供應(yīng)商，更加愿意允許訪問其系統(tǒng)的（原始）數(shù)據(jù)和關(guān)鍵知識(shí)
3.關(guān)鍵部件變得更加容易獲得
4. 可為研究或應(yīng)用/市場開發(fā)自己的系統(tǒng)或子系統(tǒng)
5. 可以對(duì)新算法進(jìn)行調(diào)整，以改進(jìn)現(xiàn)有算法，或啟用新的特定于應(yīng)用程序的系統(tǒng)/工作流。
他認(rèn)為，Dx CT圖像重建的基礎(chǔ)研究機(jī)會(huì)有限，而針對(duì)特定的、新興應(yīng)用或利基市場中，X線斷層成像的需求將會(huì)越來越大。因此產(chǎn)業(yè)界有足夠多的機(jī)會(huì)進(jìn)行技術(shù)研發(fā)，從而生成出更多的產(chǎn)品、應(yīng)用，甚至是創(chuàng)造全新的市場。
最后，潘曉川談到了基礎(chǔ)研究的價(jià)值與主張。他介紹到，研究者可通過基礎(chǔ)研究發(fā)現(xiàn)可概括的知識(shí)和見解，并建立技能和信心，同時(shí)提高推理能力。在這過程中，需通過建立合理的算法/系統(tǒng)/工作流模型，初步測量一個(gè)可觀的參數(shù)空間，消除參數(shù)空間中不需要的部分，如部分模型。并通過嚴(yán)謹(jǐn)?shù)恼摀?jù)和研究條件陳述，做出完全真實(shí)和精確的學(xué)術(shù)主張，如所涉及的參數(shù)和優(yōu)度指標(biāo)，保持研究的相關(guān)性、重要性和嚴(yán)謹(jǐn)性，避免聳人聽聞、夸大的說法。
英國皇家工程院院士郭毅可
第二位嘉賓為英國皇家工程院院士、英國帝國理工學(xué)院教授郭毅，他在大會(huì)報(bào)告《Data-efficient Deep Learning in Medical Images》中表示，人們常常在談大數(shù)據(jù)，但數(shù)據(jù)大不一定是好事。大了也可能存在“垃圾”多、不智能、抽象不夠等問題。因此，研究者應(yīng)該花更多精力去研究用小數(shù)據(jù)做事情。
這里就需要涉及到一個(gè)重要問題，即如何定義數(shù)據(jù)效率？
郭毅可談到兩點(diǎn)：一是使用較少的訓(xùn)練樣本來實(shí)現(xiàn)相同的性能，二是使用相同數(shù)量的訓(xùn)練樣本以獲得更好的性能。他強(qiáng)調(diào)到，1和2這兩個(gè)標(biāo)準(zhǔn)并不相同：只有“1”可以證明數(shù)據(jù)效率，“2”則展示了學(xué)習(xí)的穩(wěn)定性。
而用好小數(shù)據(jù)的關(guān)鍵，其中非常重要的一點(diǎn)在于我們?cè)鯓硬拍芨玫貞?yīng)用好知識(shí)，引入先驗(yàn)知識(shí)的學(xué)習(xí)模式是提升數(shù)據(jù)效率的關(guān)鍵。引入的知識(shí)可分為兩類：外部知識(shí)和內(nèi)部知識(shí)。
其中，外部知識(shí)的學(xué)習(xí)模式有：貝葉斯定理（統(tǒng)計(jì)先驗(yàn)）、零（少）樣本學(xué)習(xí)（先驗(yàn)知識(shí)圖譜）、數(shù)據(jù)同化、深度標(biāo)注：將訓(xùn)練數(shù)據(jù)遷移到細(xì)粒度級(jí)別的標(biāo)注，如：Deep Poincare Map（引入動(dòng)態(tài)系統(tǒng)的細(xì)粒標(biāo)記）這四類方法。
而內(nèi)部知識(shí)的學(xué)習(xí)模式包含：序列學(xué)習(xí)（bagging、boosting模型集成方法）、遷移學(xué)習(xí)、Deep boosting三大類方法。
其中，以用于精準(zhǔn)醫(yī)學(xué)圖像分割中的細(xì)粒標(biāo)記（數(shù)據(jù)顯微鏡）的Deep Poincare Map為例。郭毅可提出，醫(yī)學(xué)圖像分割通常采用binary label maps的形式，缺乏一些基本的先驗(yàn)信息（如放射科醫(yī)師的繪制過程）。
因此，可通過為每個(gè)標(biāo)簽構(gòu)造一個(gè)動(dòng)態(tài)注釋系統(tǒng)來生成/輸出先驗(yàn)信息。這使得我們能夠從單個(gè)訓(xùn)練樣本中提取“深度”信息，從而提高數(shù)據(jù)效率。
紐約州立大學(xué)石溪分校教授梁正榮
隨后，美國紐約州立大學(xué)石溪分校教授、IEEE Fellow梁正榮。梁教授分享了《Deep Texture Analysis: a Potential Solution to Why CNN Machine Learning Goes with Experts' Scores,Not the Pathological Reports》。
首先，梁正榮介紹了神經(jīng)網(wǎng)絡(luò)的背景，人工智能技術(shù)在計(jì)算機(jī)被人類應(yīng)用不久后便開始萌芽，人工神經(jīng)網(wǎng)絡(luò)可看作是第一代人工智能，而人工神經(jīng)網(wǎng)絡(luò)也通常被用作手工圖像特征分類器。但人工神經(jīng)網(wǎng)絡(luò)分類器經(jīng)常被證明不如其他分類器，如SVM、RF等。多年后，卷積神經(jīng)網(wǎng)絡(luò)CNN孕育而出，它可以看作是第二代人工智能。CNN比人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大得多，因?yàn)镃NN既能提取圖像特征，又能對(duì)特征進(jìn)行分類。
隨后，他介紹了“ 異質(zhì)性（heterogeneity）”和“紋理（texture）”這兩大概念。
1異質(zhì)性是病變演化和生態(tài)學(xué)的足跡，是病變進(jìn)展和干預(yù)反應(yīng)的指標(biāo)。
2 .異質(zhì)性通過病變體積的圖像對(duì)比度分布反映出來。
3.圖像紋理代表了對(duì)比度的分布，已被認(rèn)為是一種有效的描述病變異質(zhì)性的方法。
4.因此需要定量成像。
在此條件下，梁正榮得出三個(gè)結(jié)論，其分別為：
一、紋理與病變的異質(zhì)性密切相關(guān)，也同樣與病變病理相關(guān)。因此，從紋理圖像/特征中學(xué)習(xí)是臨床所需：
l 從單個(gè)數(shù)據(jù)集中提取多尺度紋理
l 從單個(gè)數(shù)據(jù)集中放大紋理或“Big Bang”
l 多尺度和紋理“Big Bang”來自多模態(tài)數(shù)據(jù)量，如能譜CT和多光譜MRI (T1、T2、彌散等)。導(dǎo)致大量紋理圖像/特性。
二、放射組學(xué)方法面臨著處理大變量的挑戰(zhàn)
Max { AUC [ A , B , C , D , E , F , G , ..]}
三、條件多模態(tài)數(shù)據(jù)集成策略緩解了這種挑戰(zhàn)
AUCA [ A@ B丨A ] = AUC [A＋] ≥AUC [ A ]
隨后，梁正榮通過一個(gè)實(shí)際案例，引出自適應(yīng)機(jī)器學(xué)習(xí)和數(shù)據(jù)集成這兩大演講重點(diǎn)，并介紹了紋理放大或Big Bang模型的方法對(duì)比。
異質(zhì)性->小數(shù)據(jù)集->體素具有明顯的對(duì)比：
?原始圖像的一階導(dǎo)數(shù)得到一階梯度圖像;
?原始圖像的二階導(dǎo)數(shù)得到二階曲率圖像;
?如果噪音可以控制，可能會(huì)得到更高的階數(shù)。
從左往右：梁正榮、潘曉川、Aaron Fenster、Terry Peters、John Gore。
大會(huì)上午的最后環(huán)節(jié)，則是【后深度學(xué)習(xí)時(shí)代的醫(yī)療人工智能】專題圓桌論壇，其中由MICCAI創(chuàng)始主席、ISICDM大會(huì)主席之一James Duncan擔(dān)任主持，參與討論的嘉賓分別是紐約州立大學(xué)石溪分校教授梁正榮、芝加哥大學(xué)教授潘曉川、加拿大衛(wèi)生科學(xué)院院士Aaron Fenster、加拿大皇家科學(xué)院院士Terry Peters和美國工程院院士John Gore。
第三次人工智能浪潮到來后，以深度學(xué)習(xí)為代表的方法成為圖像處理技術(shù)的主流。但是隨著深度學(xué)習(xí)的魯棒性不足、缺乏可解釋性、對(duì)大量高質(zhì)量訓(xùn)練數(shù)據(jù)和手工標(biāo)注的依賴等不斷出現(xiàn)的問題，研究者們對(duì)這項(xiàng)技術(shù)也提出了質(zhì)疑。
未來，深度學(xué)習(xí)技術(shù)將會(huì)如何進(jìn)一步發(fā)展？傳統(tǒng)數(shù)學(xué)建模的方式是否會(huì)再次崛起？幾位嘉賓圍繞本次圓桌的主題分別提出了自己的見解。
艾倫腦科學(xué)研究所大腦大數(shù)據(jù)研究組組長彭漢川
在下午的第一場演講中，美國艾倫腦科學(xué)研究所大腦大數(shù)據(jù)研究組組長彭漢川發(fā)表演講《Brain Big Imaging Data - Big Machines Big Brains》
彭漢川教授現(xiàn)任艾倫腦科學(xué)研究所大腦大數(shù)據(jù)研究組組長，AIMBE Fellow。圍繞大腦這個(gè)研究方向，他和團(tuán)隊(duì)開發(fā)和使用了許多機(jī)器學(xué)習(xí)、人工智能、數(shù)據(jù)挖掘和成像方法來處理復(fù)雜和大規(guī)模的大腦數(shù)據(jù)、基因表達(dá)數(shù)據(jù)和其他類型的數(shù)據(jù)。
彭漢川教授介紹了他們團(tuán)隊(duì)研發(fā)的用于腦科學(xué)大數(shù)據(jù)采集、處理和分析的技術(shù)手段，包括一系列對(duì)神經(jīng)元進(jìn)行跟蹤和可視化的算法、軟件和硬件系統(tǒng)，并且分享了利用這些技術(shù)手段進(jìn)行實(shí)際研究取得的成果和體會(huì)。
他打趣到，研究大腦最重要的并不是算法，而是經(jīng)費(fèi)，艾倫腦科學(xué)研究所正好在這方面有著先天的優(yōu)勢(shì)。
隨后的報(bào)告中，彭漢川介紹了大腦影像大數(shù)據(jù)研究中的一系列熱點(diǎn)問題，重點(diǎn)講述了如何針對(duì)單神經(jīng)元分辨率的影像數(shù)據(jù)進(jìn)行工業(yè)級(jí)的分析和應(yīng)用，并對(duì)所使用的虛擬現(xiàn)實(shí)、大數(shù)據(jù)組織、人工智能算法等工作進(jìn)行了詳細(xì)闡述。其中他重點(diǎn)講解了2016年發(fā)表在Nature Methods的Vaa3D-TeraFly方法，該方法具備三大功能，分別是：
l 非常快速的teravoxel-scale圖像三維可視化
l 復(fù)雜三維結(jié)構(gòu)的編輯與注解
l 可對(duì)海量圖像數(shù)據(jù)進(jìn)行隨機(jī)訪問，進(jìn)行自動(dòng)分析
利物浦大學(xué)數(shù)學(xué)科學(xué)系教授陳柯
下午第二位演講嘉賓為英國利物浦大學(xué)數(shù)學(xué)科學(xué)系陳柯教授，他的演講題目是《Variational Models for Image Registration: from shallow approaches to deep learning methods》。
陳柯現(xiàn)任英國利物浦大學(xué)終身教授，皇家御批數(shù)學(xué)家，英國國家基金委利物浦?jǐn)?shù)學(xué)與健康科學(xué)研究中心（英國5中心之一）主任，利物浦大學(xué)物理科學(xué)院主管國際化的副院長。
在大會(huì)報(bào)告中，陳柯教授主要展示了關(guān)于多模態(tài)圖像配準(zhǔn)的數(shù)學(xué)公式和變分模型。
在介紹單模圖像配準(zhǔn)問題時(shí)，他以腫瘤圖像為例，說明圖像配準(zhǔn)的目的是對(duì)兩幅相同或不同類型的圖像進(jìn)行對(duì)比，以用于腫瘤診斷和生長，隨后他提出了基于Beltrami微分幾何的新模型，并對(duì)比了約束模型。在闡述多模態(tài)圖像配準(zhǔn)問題時(shí)，他提出“要以兩幅圖的直方圖進(jìn)行比較，而不僅僅以灰度進(jìn)行比較”，并提出了不同光照條件下的聯(lián)合圖像強(qiáng)度校正與配準(zhǔn)的新模型。最后他總結(jié)到，現(xiàn)有的多模態(tài)模型仍有很大改進(jìn)，醫(yī)學(xué)圖像方面也有很多值得深入思考的問題，帶來了與數(shù)學(xué)相關(guān)的新理論和新算法的挑戰(zhàn)。此外，他也介紹了多個(gè)改進(jìn)多模態(tài)相似性的方法和無監(jiān)督學(xué)習(xí)算法。
最后他從更宏觀的角度給出了數(shù)學(xué)研究人員和企業(yè)從業(yè)者的建議。
數(shù)學(xué)開發(fā)人員應(yīng)該應(yīng)用好建模工具和方法，如
1.用越來越魯棒的模型來建模逆問題
2.在學(xué)習(xí)框架中實(shí)現(xiàn)變分模型
對(duì)于業(yè)界從業(yè)者而言，模型越精確，精度就越高，對(duì)于速度要求來說，學(xué)習(xí)可能是最好的，需要進(jìn)行更緊密的協(xié)作來定義新任務(wù)。
巴黎多芬納大學(xué)教授Laurent D. Cohen
第三位演講嘉賓是法國巴黎多芬納大學(xué)教授Laurent D. Cohen，Laurent D. Cohen是歐洲宇航防務(wù)集團(tuán)科學(xué)研究獎(jiǎng)和Taylor & Francis獎(jiǎng)獲得者，IEEE Fellow。本次報(bào)告，他發(fā)表的演講是《Active Contours Revisited Through Geodesic Methods》。
近些年他主要探索圖像分析和計(jì)算機(jī)視覺的變分方法和偏微分方程的不同問題。例如，基于邊緣或基于區(qū)域活動(dòng)輪廓的可形變模型以及對(duì)象分割和識(shí)別的機(jī)器學(xué)習(xí)方法。
在演講中，Laurent D. Cohen教授分別講解了最短路徑算法、快速行進(jìn)算法、Front Propagation算法、各向異性最短路徑和Tubular model，以及Finsler度量的四種方法：主動(dòng)輪廓模型 & Alignment term、基于曲率懲罰模型、Region-Based、Front Propagation的分割。
空軍軍醫(yī)大學(xué)第一附屬醫(yī)院消化內(nèi)科主任醫(yī)師吳開春
隨后，空軍軍醫(yī)大學(xué)第一附屬醫(yī)院消化內(nèi)科主任醫(yī)師吳開春帶來演講《胃癌分子影像內(nèi)鏡進(jìn)展》，吳開春是空軍軍醫(yī)大學(xué)第一附屬醫(yī)院消化內(nèi)科主任醫(yī)師、教授，長期從事消化內(nèi)科臨床診治和基礎(chǔ)研究工作。
首先，吳開春講到了分子影像國際研究的進(jìn)展，其中突破腫瘤傳統(tǒng)診療方法包括精準(zhǔn)醫(yī)學(xué)和分子影像。那么如何進(jìn)行早期診斷、精準(zhǔn)治療和改善預(yù)后？吳開春談到了分子成像探針這一方法，該方法可輔助早期分子水平診斷、腫瘤代謝的可視化、腫瘤邊界精確定位、延長患者生存時(shí)間。
緊接著，吳開春陸續(xù)講解了相關(guān)技術(shù)方法在卵巢癌精準(zhǔn)手術(shù)、膀胱癌精準(zhǔn)手術(shù)、胃癌特異性探針皮下腫瘤模型成像、內(nèi)窺鏡分子影像研究、早期特異性識(shí)別克羅恩病、早期食管癌診斷、早期腺瘤性結(jié)腸息肉診斷等問題中的應(yīng)用案例。
并深入介紹了切倫科夫內(nèi)鏡分子靶向成像最新研究，切倫科夫效應(yīng)即放射性核素在發(fā)生衰變時(shí)除了發(fā)出射線，還可產(chǎn)生近紅外和可見光。具有多種核素可作為光源成像靈敏度高的優(yōu)點(diǎn)，具備核素成像的高靈敏度和光學(xué)成像的高分辨率同時(shí)避免了傳統(tǒng)光學(xué)染料的生物毒性。
切倫科夫成像的模塊結(jié)構(gòu)，總共可分為探頭（大孔徑物鏡）、高透光纖傳像束、耦接放大鏡、傳光光纖、EM-CCD相機(jī)和LED定標(biāo)光源這幾部分。
集成了切倫科夫成像模塊的多模態(tài)內(nèi)鏡設(shè)備，整個(gè)邏輯結(jié)構(gòu)的信號(hào)采集模塊由常見的白光成像模塊和正在重點(diǎn)研究的切倫科夫成像模塊、顯微成像模塊組成，實(shí)現(xiàn)三種成像的融合，從而讓這三種模塊分別獲得白光結(jié)構(gòu)信息、功能分子信息、細(xì)胞顯微信息。
切倫科夫內(nèi)鏡設(shè)備模塊的難點(diǎn)在于切倫科夫信號(hào)非常微弱，因此如何實(shí)現(xiàn)微弱切倫科夫信號(hào)的高靈敏度收集，是一個(gè)較為棘手的難題。而在近一年來，吳開春團(tuán)隊(duì)正在解決切倫科夫信號(hào)的高效采集，從而實(shí)現(xiàn)離體/在體靈敏度提高三倍。
最后吳開春總結(jié)到：今天是解剖結(jié)構(gòu)影像的時(shí)代，未來則是多模分子影像時(shí)代。
印第安納大學(xué)醫(yī)學(xué)院副院長黃昆教授
最后一位登場的演講嘉賓是美國印第安納大學(xué)醫(yī)學(xué)院副院長黃昆教授，他的演講題目是《Computational Pathology and Genomics-An Integrative Analysis》。
黃昆教授首先介紹了如何使用醫(yī)學(xué)圖像進(jìn)行定量表型分析，以及如何實(shí)現(xiàn)不同規(guī)模特征的融合提取方法與工作。他認(rèn)為，實(shí)驗(yàn)樣本的獲取具體來說就是基因型（genotype）數(shù)據(jù)與表型(phenotype)數(shù)據(jù)的整合與特征提取工作。
隨后他教授講述了整合基因組學(xué)/跨組學(xué)的方法，如：
行為、證候與臨床結(jié)果（EMR）
形態(tài)學(xué)（亞細(xì)胞、細(xì)胞、組織、器官）
蛋白質(zhì)組（分析、數(shù)量、修飾）
轉(zhuǎn)錄組（基因表達(dá)，非編碼RNA）
表觀遺傳學(xué)（DNA甲基化，組蛋白修飾，microRNA）
基因型（DNA - SNV,CNV，結(jié)構(gòu)變異）
報(bào)告還分享了關(guān)于愈后存活時(shí)間的預(yù)測方法以及一些基于集成（integration）的網(wǎng)絡(luò)整合方法與工作，以及基于深度學(xué)習(xí)的癌癥預(yù)測方法，并對(duì)其可解釋性問題進(jìn)行了分析與探討。
其中，黃昆介紹了一個(gè)關(guān)于深度學(xué)習(xí)可解釋性的案例，他談到當(dāng)初有一名學(xué)生想做Deep Learning Based Integration，但黃昆提出一個(gè)要求就是這項(xiàng)研究的結(jié)果必須可解釋。于是他的學(xué)生先把特征加進(jìn)去然后訓(xùn)練出一個(gè)結(jié)果，然后再把特征一個(gè)個(gè)剔除，最終總結(jié)哪些特征對(duì)結(jié)果影響最大，計(jì)算出影響大小，并得出一定的原因，實(shí)現(xiàn)了一定程度上的可解釋性。
ISICDM大會(huì)主席之一James Duncan
隨著最后一位嘉賓演講的結(jié)束，第三屆ISICDM正式進(jìn)入尾聲，本次大會(huì)主席之一James Duncan上臺(tái)做閉幕致辭。
這之后，James Duncan在接受雷鋒網(wǎng)采訪時(shí)談到了他內(nèi)心的感受。
“這是我第二次參加ISICDM，我每次來都會(huì)在中國待上一段時(shí)間，和中國的學(xué)者以及在校學(xué)生們一起深入交流。ISICDM的一個(gè)重要特色就是讓數(shù)學(xué)模型和深度學(xué)習(xí)兩大派學(xué)者代表一起做報(bào)告、交流和辯論。大約三、四年前，我在MIT和MICCAI也有類似的經(jīng)歷，我們討論數(shù)學(xué)模型和深度學(xué)習(xí)兩者孰優(yōu)孰劣的問題。”
“而現(xiàn)在的ISICDM不僅把當(dāng)年MIT和MICCAI的一個(gè)臨時(shí)議題做成一項(xiàng)頗為偉大的事業(yè)，同時(shí)加入了很多臨床醫(yī)學(xué)的元素，這是一個(gè)重要?jiǎng)?chuàng)新。我們所處的領(lǐng)域，理工一旦離開醫(yī)，本質(zhì)上就是閉門造車。而醫(yī)在整個(gè)流程中扮演的角色越來越重要，因此學(xué)術(shù)界乃至產(chǎn)業(yè)界偶讀需要ISICDM這樣的研討會(huì)，讓理工醫(yī)專家們?nèi)￠L補(bǔ)短，互通有無，推動(dòng)理工醫(yī)交叉的長期發(fā)展。”
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。
專題
本專題其他文章
