<mark id="oztn4"></mark>
0
| 本文作者： 郭瑞嬋 | 2022-09-30 14:30 |
近日，2022年醫學人工智能大會（CMAI 2022）暨第二屆“中國醫學學術期刊發展”高端論壇召開。
雷峰網《醫健AI掘金志》是本次大會的支持單位，中國科學院大學計算機學院教授齊洪鋼、中國石油大學（北京）理學院教授王立群擔任大會主持人。
本次高峰論壇邀請了多位頂尖醫院的放射科主任及人工智能技術的權威專家，共同探討人工智能技術在醫學影像中的臨床應用與科研進展，分享研究心得。
（后續我們將推出各位講者的深度對話與演講內容精編，歡迎關注）
中國科學院院士、《Research》主編黃維代表CMAI大會致辭。他表示，人工智能對各行業的強大賦能作用已經顯現，生物醫療是一個數據密集型、腦力密集型、知識密集型的行業，需要依賴強大的分析處理能力進行判斷和診療，是一個非常有前景的人工智能應用領域。
多年來，我國密集出臺了一系列醫療人工智能方面的政策與法規，旨在建立快速精準的智能醫療體系。在“十四五規劃”中，人工智能和生命健康均被列為前沿科技領域的優先級別，必將加速推動我國人工智能與生命健康科學的新一輪快速發展。
“雖然目前醫療人工智能已經步入快速發展期，但仍然面臨著眾多挑戰，我們衷心希望本次會議將成為大家思想碰撞、深化交流的契機，拓展未來在人工智能和生物醫療產業方面的協同與合作。”
中華醫學會放射學分會主任委員、上海長征醫院影像醫學與核醫學科主任劉士遠作為首位演講的嘉賓，以即將發布的《中國醫學影像人工智能發展報告（2021-2022）》為基礎分享了最新的行業發展基本情況。
劉士遠表示，截至今年5月31日，經國家藥監局批準的醫學影像AI三類注冊證已超30個，涵蓋CT、磁共振、DR等設備，包含心腦血管、胸部疾病、糖尿病、骨關節疾病和兒童發育評估等方面的產品。
“我們對于AI產品，從當初的懷疑到過于樂觀的憧憬，經過了冷靜和理智的階段，現在已經進入到了臨床應用和商業化的新時期。”
已獲批的醫學影像AI產品，可以分成兩大方面，一是優化醫學影像工作流程的產品，二是以疾病為中心的診斷模型。
具體到前者，醫學影像設備通過深度學習技術賦能已經成為常態，預計到2023年左右，AI對CT的滲透率將提高到50%左右，MRI、超聲的滲透率將提高到40%左右。
后者則是最多公司投入大量精力研發開拓的領域，其中最成熟的產品是肺結節和冠脈CTA。
截至2022年，基于疾病模型的AI產品已經從病灶檢出和分割，逐漸迭代到形態學診斷與功能學診斷相結合的多維度、多功能，甚至是多任務的模型，形成以疾病場景為中心的平臺化應用。
劉士遠教授介紹，醫學影像AI產品逐步引入到醫院中，今年我國大醫院的AI滲透率是15%左右，明年有望達到30%以上。
值得注意的是，雖然醫院使用的AI產品有50%以上通過購買獲得，但對于病人94%以上都是免費試用。從余下5%左右的收費案例來看，收費的主要方式包括診斷、會診、檢查和打包收費，尚未能作為單獨的收費項目。
“這說明，AI產品還不夠成熟，不足以讓患者有強烈的購買意愿，AI的產品形態和商業化模式還需要不斷完善。”
北京佑安醫院放射科主任李宏軍以《醫學影像在醫療大數據中的作用與價值》為主題作了分享。
李宏軍介紹了醫學影像學發展、醫學影像數據內涵、醫學影像數據價值、醫學影像大數據的挖掘利用等方面內容。
李宏軍表示，近年來，AI的應用以及AI算法的升級，帶動整個醫學影像學進入新階段，包括興趣區的選定、分割與圖像處理減少了圖像的干擾因素，算法效率得到了提高，使結果更加精準。
以冠脈樹的提取為例，AI對全局結構的理解、有效信息的補償，以及對弱信號斷裂的修復，能夠達到最有效果的生成，主動去除和修復偽影，全方位三維立體地展示整個冠脈圖像的形態。
李宏軍認為，每一個疾病的發生和發展不是單一的數據變化，而是多組學的變化。“我們的影像組學要與臨床數據特征、蛋白質組學、基因組學、代謝組學、社會組學等多元數據模型的融合，才能夠全面客觀反映個體性疾病的發生、發展與預后評估。”
這也意味著，傳統的形態影像學診斷模式已經無法滿足精準醫學的要求。
李宏軍表示，前期的AI也僅僅基于影像與數據特征對疾病進行預警預測，偏離了生物學的意義，影像基因組學與AI的結合會是形態影像學的發展和延伸，能夠解決肉眼看不見的疾病，實現沒有癥狀、體征的情況下診斷疾病。
浙江大學教授、長江學者吳健以《人工智能心電輔助診斷》為演講主題，分享了AI心電輔助診斷的市場背景、業界現狀、瓶頸難點、解決方案以及階段成果。
吳健介紹，我國心電圖檢查的應用需求非常大，每年至少有2.5億人次進行心電圖檢查，但面臨心電圖、心血管醫生不足，設備檢測準確率低的難題。
吳健所做的項目研究，主要聚焦于4大目標，分別為利用AI算法結合信號處理方法進行心電圖自動分析，建立心電異常事件監測模型，建立心血管疾病判別模型，提供醫生心電圖標記工作工具并建立輔助確診平臺。
探索AI心電輔助診斷期間，吳健團隊發現，在數據采集、數據清洗、數據標注、心拍識別與模型建立5大方面均遭遇了瓶頸。
針對這些瓶頸，吳健團隊開發出來的算法框架具有卷積特征描述全局信息、頻域分析特征補充細節信息、快速準確、批量運算等創新點。
目前，吳健團隊拿到了200多萬條心電數據，整理了標簽100余類，覆蓋了99%的心電診斷類別，基于這些數據訓練的AI心電輔助診斷平臺支持最高55類診斷標簽識別，整體準確率達到95%，F1達到91%。
此外，團隊還成功開發了心電圖波段標注工具與智能心電輔助診斷系統。
空軍軍醫大學唐都醫院放射科主任崔光彬以《AI在肺結節應用現狀、挑戰及展望》為主題作了分享。
崔光彬表示，肺癌是我國新發病例和死亡病例最多的癌癥類型，為降低癌癥發病率和死亡率，“健康中國行動”要求推進癌癥早篩查、早診斷、早治療。
CT的配置和普及使得我國開展CT肺癌篩查具備了基本的硬件條件，但在不同級別的公立醫院均存在影像科醫生不足，閱片、診斷經驗欠缺的痛點，醫學影像AI則是解決這些痛點的一個重要方法。
隨著醫學影像AI在醫院落地使用，崔光彬發現，AI產品與臨床實際應用需求有一定的脫節，“人工智能一哄而上，非常熱鬧，但是避重就輕，我在工作過程遇到一些實際問題，但是AI公司也無法完全滿足。”
以新冠CT篩查為例，AI著重改善的地方，也是醫生用肉眼就能完成的工作，如病變的范圍，實際意義并不大。而用X光機為危重病例拍攝的床旁片，因為是重疊的影像，人工進行查看會有很多不確定的因素妨礙診斷，這本是AI發揮效用的領域，但目前仍未解決。
湖南大學教授、長江學者彭紹亮以《基于超算的元宇宙數字療法與電子藥》為主題作了分享。
彭紹亮詳細介紹了數字療法所具有的作用，以及多個全球范圍內的數字療法案例。
彭紹亮認為，數字療法有非常多的優勢，可以加速治療的效果，縮短治療的周期，并減少治療的成本，且相比傳統的化學藥，數字療法的研發速度要更快。
“一種新藥的研發需要5～10年以上，最低開銷10億美金，相反數字療法就是一個軟件，不需要這么長的時間與這么大的開銷，后續只需要我們進行數據和算法的有效性驗證。”
彭紹亮表示，我國在元宇宙醫療與數字療法領域的探索還是一片空白，希望醫院學會、醫療企業、IT游戲公司等一起建立國內首個元宇宙醫療和數字療法聯盟，聚焦青少年抑郁癥、老年癡呆癥等一系列國際布局較少的疾病，并推出國內首個數字處方標準和電子藥物。
盧潔教授是首都醫科大學宣武醫院副院長、放射與核醫學科主任，在會議上以《腦脫髓鞘病MRI成像的人工智能應用研究》為題進行了分享。
盧潔介紹，多發性硬化（MS）與視神經脊髓炎（NMOSD）是常見的腦脫髓鞘病，同時也是中青年人群致殘的神經系統常見病，全球多發性硬化患者約280萬人，中國約4.2萬人。
由于臨床癥候相似、實驗室檢查結果部分重疊、確診周期長，MS與NMOSD的鑒別診斷具有很大挑戰性，尤其是對于基層醫院與低年資醫師來說。
在臨床中，核磁共振成像（MRI）評估是MS與NMOSD診斷的重要環節，隨著近年來人工智能技術的發展，腦脫髓鞘病MRI成像的人工智能應用研究也有了很大進展。
盧潔在報告中指出，人工智能技術可挖掘影像圖像中肉眼無法識別的高位定量特征，基于拓撲的人工智能模型在預測腦脫髓鞘病預后中將具備重要的價值。
劉勇教授是北京郵電大學人工智能學院教授，以《基于磁共振和PET影像的阿爾茲海默病影像組學表征研究》為題進行了分享。
他表示，機器學習方法在醫學圖像上的研究已廣泛開展，研究者一直在為探索神經精神疾病的客觀定量、可重復且有生物學意義的影像學標記物而努力。
劉勇的研究團隊十余年來一直圍繞如何刻畫阿爾茲海默病（AD）的腦影像異常表征開展研究，探索利用磁共振影像研究AD早期影像標記的可行性。
“我們無法改變年齡、家族史和遺傳基因，研究者所能做的事情之一就是盡早發現端倪，為AD的早識別提供一點點幫助。”劉勇在報告的最后指出，“如果做到這一點，我們也許就能為更多的患者和家庭帶來一點益處。”
張道強教授是南京航天航空大學的教授，以《腦影像智能計算及其若干應用研究進展》為題進行了分享。
張道強介紹，阿爾茲海默病的最佳干預階段在出現癥狀之前的潛伏期以及輕度認知功能障礙階段，患者一旦進入癡呆的階段，將無法再進行有效的治療，因此，早發現、早干預就顯得尤為重要。
張道強的研究正是基于腦影像構建腦網絡，并對腦網絡來進行挖掘、分析以及網絡分類，從而實現阿爾茲海默病診斷的技術。
其中，具有代表性的“腦連接組學”是指采用多模態神經影像技術和網絡分析方法，描繪活體人腦的結構和功能連接模式的學科，其連接模式主要分為結構連接、功能連接與有效連接三種。工作過程中，首先利用腦影像構建起腦網絡，再從腦網絡中進行特征提取，最后提取出的特征進行分類。
報告中，張道強還分享了其團隊在腦網絡分類、影像遺傳學、腦認知與腦解碼等應用方面的研究進展及成果。
雷柏英教授是深圳大學生物醫學工程學院教授，以《面向臨床應用的智能診斷》為題進行了分享。
雷柏英所做的智能診斷研究主要關注阿爾茲海默病與帕金森病兩種常見的腦疾病。雷柏英表示，為提升腦疾病的診斷準確率，其團隊提出構建多重關系正則化的縱向分析模型，提升智能診斷的準確率，輔助醫生臨床診斷。
在研究中，針對單時間點數據、多時間點數據、多模板數據不同特點，采取不同的核心方法進行研究，分別將其應用于阿爾茲海默病、輕度認知障礙以及自閉癥的臨床診斷當中。
此外，雷柏英團隊還對深度學習在阿爾茲海默病的早期診斷方面進行了探索，利用MRI的二階統計數據，將高階池化方案納入分類器，結合張量訓練、高階池化及半監督學習的GAN網絡用于診斷。
李小萌教授是香港科技大學電子及計算機工程學系助理教授，以《Empowering Clinical Decision-making by AI-based Medical Image Analysis》為題進行了分享。
李小萌介紹了通過高效標注進行醫學影像分類、分割及檢測，醫學影像重建，圖像預測等團隊研究內容，以及利用模型進行泛化研究，如通過聯邦學習研究保護醫院數據隱私等。
針對訓練數據集中同時存在大量未標注數據與標注數據的情況，李小萌及團隊基于旋轉一致性的自集成模型提出了半監督學習的方法對醫學影像進行分割。
此外，由于弱監督學習在圖像分割中能夠得到像素級別的分割結果，在醫學影像中也有著十分重要的應用場景，如病例圖像中的腺體分割。在分享中，李小萌介紹了團隊在自然圖像上進行弱監督學習的方法。
“我們發現了如何利用自然圖像上已有的深度學習模型，使其在醫學影像中發揮更大的作用。”李小萌表示。
趙地教授是中科院計算所副研究員，以《Neuromorphic Computing for Medical Imaging Analysis》為題進行了分享。
趙地介紹，人工智能出現六十年以來，歷經兩次起伏，如今已經進入真正的爆發前夜。
作為深度學習發展階段中的重要組成部分，卷積神經網絡（CNN）圖像識別目前醫學圖像分析的主力手段之一，但隨著模型越來越大，參數規模不斷增長，新的技術手段也逐漸進入人們的視線。
第三代神經網絡脈沖神經網絡（SNN）也叫內腦計算或神經形態計算，與CNN相比，SNN的功耗有了數量級的降低。趙地認為，SNN是人工智能未來發展的可能方向。
因此，融合了SNN與CNN的脈沖卷積神經網絡（SCN）極具發展潛力。在分類和目標檢測分割的準確率較為接近的情況下，SCN的能耗遠低于CNN。
趙地表示，內腦計算的發展將對醫療健康領域的研究產生很大的促進作用。
雷峰網 雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
