2019年8月24-26日，第三屆圖像計算與數字醫學國際研討會（ISICDM 2019），在西安索菲特酒店召開。研討會由國際數字醫學會與國家天元數學西北中心聯合主辦，西安電子科技大學數學與統計學院與空軍軍醫大學（第四軍醫大學）生物醫學工程學院聯合承辦。
雷鋒網&AI掘金志第三次作為大會首席合作媒體，全程參與ISICDM的報導。
在8月24日上午的數字醫學與智能診療分會上，復旦大學的宋志堅發表了題為《深度學習用於計算機輔助診斷與治療：面臨的問題、機遇與挑戰》的演講。
宋志堅教授是復旦大學特聘教授、數字醫學研究中心主任、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（多參數磁共振）診斷、臨床數據增強以及頭頸部放療危險部位分割的成果。
以mpMRI診斷為例，因為數據量和特異性的問題，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於前列腺癌診斷的網絡架構，成績連續八個月在ProstateX Grand Challenge排在第一。
此外，宋教授還就AI在醫療領域的前景發表了自己的看法：「從經濟角度來看，自第三次工業革命以來，新的創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革命為人們帶來新的機遇和發展動力。」
其中就包含了對人工智慧所寄予的希望，深度學習是人工智慧的核心技術之一。但是，目前深度學習還存在四個方面的問題（尤其是在醫學上的應用）：個別輿論宣傳偏離了科學本身、監管政策、黑箱問題、隱私與黑客攻擊以及數據的數量與質量。
以下是宋志堅教授的演講內容，雷鋒網(公眾號：雷鋒網)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，人工智慧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，要讓計算機為我們人類工作，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，然後對問題進行深入的分析和探討，在這個基礎上提出算法，然後再根據算法來進行編程。
另外一種思路就是機器學習方法，它也是人工建模，最典型的就是神經網絡，但是人工僅建一半的模型，剩下的一半模型，例如神經網絡的參數不是人工確定的，而是通過對數據進行訓練而獲得，亦即，根據我們希望輸出的結果和實際結果的差異，經過反覆迭代而最終將網絡參數確定下來。
如果網絡的隱層很多，一般稱之為深度學習網絡。這幾年深度學習的發展很快，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，今後幾年哪些工作有可能會被人工智慧所替代。其中與我們醫務人員最相關的就是外科醫生，從2016年算起，35年左右就有可能會被人工智慧所替代（文章並未詳細說明替代到什麼程度）。
近年來，深度學習在醫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慧在肺結節診斷方面的相關實驗，18名放射學專家有17個被人工智慧超過；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絡結構，由於時間關係就不展開描述了。
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，所建立的網絡可用於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，我藉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。
我們用的是多參數磁共振的數據，因為圖像量非常大，所以醫生診斷工作量就很大；另外一個重要原因是，醫生通過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，通過多參數磁共振圖像實現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於前列腺癌診斷的網絡。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，對每一種參數的前列腺的數據，我們有一個連續卷積的過程。我們看每一個小方塊，放大以後是這樣的。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，卷積以後就形成了256×256*64個卷積。
卷積結束以後，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，然後緊接著是一個5*5的卷積。
最後，我們把這兩個卷積連起來，再進行一個pooling的操作。那麼2*2的pooling之後，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、每一個參數的卷積，結合前列腺癌的位置，把它連起來進入全連接進行判斷，最後可以得出一個結果。
我們用的數據集是SPIE所提供的Prostate X挑戰賽數據集，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。
現在測試下來，我們的成績連續八個月排在第一。
我認為，最關鍵的是建立了一個專門用於前列腺癌診斷的網絡架構。
我們做的第二個工作是臨床數據增強。
在前列腺穿刺導航研究當中，首先要對前列腺進行分割。這裡面會遇到一個問題，就是臨床數據包括前列腺數據的獲取很難。此外，醫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，也就是怎樣由小數據形成大數據。
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，用統計模型對數據進行增強。也就是說，從概率統計上看，前列腺的輪廓最大概率的形狀有哪些？
所以，根據一組輪廓能生成多個新的輪廓，然後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，然後用輪廓之間所對應的最接近的關係，把對應圖像的紋理進行插值。
這樣，就由小數據生成了大數據。它的基本思路是這樣的，然後把原來提供的數據和我們生成的數據進行訓練，得出結果。
這個是由小數據生成大數據的一個圖示化結果。
我們可以看到，上面是原來提供的數據，下面是我們模擬生成的。可以看到，我們生成的圖像很漂亮，像真的一樣，那麼它有沒有用呢？
我們做了試驗，使用CNN和Unet進行驗證。可以看到，隨著生成數據的增加，圖像分割精度也在迅速提升。
所以，我們生成的數據在網絡訓練中是起作用的，能夠在數據不足的時候，用數據增強的方法，部分地解決問題。
這是我們以圖像分割為例對數據增強做的試驗，對增強的數據進行驗證，上圖分別是2D和3D上的前列腺分割結果。
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避，即放療中不能損害到到這些危及器官。這麼多的危及器官，一般有9到10個，要靠人工勾畫，醫生的工作量很大，有沒有可能用人工智慧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採樣。
對這個圖像，我們經過傳統的計算方法，把已經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的網絡（基本結構和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麼區別？如果有區別的話，再進行迭代把這個參數確定下來。
最後結果是，把整個器官的位置定位下來，然後根據這個位置來找到對應圖像的位置，然後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。
測試數據時，當兩個網絡結構定下來以後，把這個數據先定位，然後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果。
可以看到，九個位置的分割都比較準確。當然這裡面也有不準確的，我們的測試數據有部分不是很準確。
從整體平均數據比較，我們用了兩個參數。
一個是Dice係數。與國際上其他方法比較，九個部位裡有五個排名第一，兩個排第二；第二個，95% HDs距離，九個部位裡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。
最後是我們的一些思考，對今後的機遇問題簡單介紹一下。
我們可以回顧一下工業革命的歷史。
第一次工業革命以蒸汽機為標誌，這個和醫學沒有太大關係，最起碼沒有直接關係。
第二次工業革命的標誌是電力的發明，這個應該說和醫學有間接關係。
以計算機及信息技術為標誌的第三次工業革命和醫學的關係就密切多了，比方說CT、核磁共振、PET等均得力利於計算機技術。亦即，信息技術推動了醫學的發展，尤其是推動了診斷和治療的進步。
現在，第四次工業革命尚未到來（有人說即將到來），而第三次工業革命的紅利已基本耗盡，這意味著什麼呢？
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一些怪現象。例如，你不能生產電視機，而我可以，那麼我獲得了很多財富；以後你能夠生產了，但是我的質量比你高，我還是能夠盈利。但如果技術長期沒有突破，後來居上，那麼原來生產電視機的廠家利潤便會迅速下降。
在第四次工業革命的浪潮中，誰搶佔了先機，誰就將獲得更大的發展的空間。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：一個是人工智慧，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。其中和醫學關係最密切的就是deep learning，但是，現在要在這方面實現突破的話，還有許多問題需要解決。
一、輿論偏離了科學
我們現在輿論上宣傳的內容和實際上有一些差異。首先我們應該認清，深度學習和傳統方法最大的不同是，它並非完全依靠人工建模，而是相當程度上依靠大數據訓練形成參數並確定模型。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，傳統建模的方法如果推理很嚴謹，那麼一百個數據進去，一百個都是準確的。而人工智慧這種方法，一百個數據進去可能有幾個是不準確的，但是在臨床上，這一百個數據是不允許出現問題的。
二、監管政策
監管政策法規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，人已經完全不幹預。但是，現實政策上限制在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慧的話，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慧，最起碼現階段很長一段時間內不行。
三、黑箱問題
歐洲通用數據保護條例規定，如果要把AI用在醫學上，尤其是用在臨床上，必須要對所建立網絡的基本原理作出解釋，這個恰恰是人工智慧、深度學習的弱點。
四、隱私和黑客攻擊，數據如何避免遭到黑客的攻擊
五、數據的數量和質量
如果我們在臨床上獲得數據的時候，臨床上標記錯誤，這些都是深度學習在醫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月發表在美國婦產科雜誌上的一篇文章，它是用兩種模型，對白蛋白水平與宮頸癌預後結果的關係進行判斷、推測。
深度學習得出來的結果和臨床共識，以及我們傳統模型得到的結果不一樣。
人工智慧認為該蛋白的水平和宮頸癌的預後沒有直接關係。那麼，按照傳統的思路，這應該是一個比較重要的發現。
但是要讓大家接受這個研究結果，需要解釋為什麼。人工智慧是如何得出這個結果的。
所以這篇文章在討論的部分說到：我們研究遺憾的地方在於，深度學習不能解釋為什麼出現這個結果。我們只能說，所訓練的網絡測試下來是這樣一個結果，大家要接受這個結果，需要深度學習有更深入的解釋。雷鋒網
雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。