MICCAI（Medical Image Computing and Computer Assisted Intervention）始於1998年的麻省理工學院，第一屆開辦時，參與學術交流的學者僅400人。時至今日，MICCAI已成為醫學影像分析行業的頂級學術會議。據會方統計，本次大會上，全球各地總共2400多名學者來到了深圳，共同探索醫學影像的發展。
劇變不僅僅發生於參會人數的變化之上。從論文收錄狀況看，2019年MICCAI的論文接收量突破1000篇，相比於2017年，這個數字翻了一倍有餘，而最終的收錄數量也達到了538篇。
同樣令人振奮的是國內巨頭及醫療AI初創公司的崛起。根據不完全統計，騰訊覓影有8篇論文被收錄；聯影智能有7篇論文被收錄；視見科技有6篇論文被收錄；深睿醫療有5篇論文被收錄；華為雲有3篇被收錄；圖瑪深維、致遠慧圖、浙大睿醫均有3篇論文被收錄；阿里達摩院有一篇被收錄（論文內容簡介見文末）。
MICCAI 2019大會主席、聯影智能聯席CEO沈定剛表示：「去年國內企業被收錄的論文數量接近20篇，今年的數字大概在40篇，而國內被收錄的論文總數應該在150篇這個水平。相對於往年，我們能夠看到中國的醫學圖像研究實力增加非常快。」
在這些論文之中，「智能」是一個繞不開的詞。可以預見，在未來的幾年內，「影像智能」將持續成為醫學影像界的重要話題。
人工智慧佔領醫學影像領域
「Deep learning dominates everything.」 Inria研究主管Nciholas Ayache在MICCAI 2019的採訪之中發出感嘆，用一句話精煉概括了MICCAI的盛況。
相比於產業界，學術界似乎對醫學人工智慧的未來抱有更多期待與憧憬。環顧會場走廊，參與展覽的500多篇論文大都使用了卷積神經網絡相關算法，其內容既包括用深度學習重構影像工作流，又包括對單個病種的CT、病理等影像進行優化分析。
騰訊、聯影智能、深睿、視見等企業的入選論文均在會場展示
那麼，這些論文是否反應了未來學術的研究趨勢？人工智慧的廣泛應用是變革的一方面，更重要的是，各行業的技術正湧入醫學影像領域。對此，IEEE TMI和Medical Image Analysis期刊編委會成員、CVPR和 MICCAI 的領域主席、MICCAI2020程序委員會聯席主席周少華提出了未來人工智慧三個可能發展的方向。
第一個方向是聯邦學習（Federated Learning），這項「舶來技術」正成為醫學影像數據隱私問題的重要解決手段。聯邦學習過去由谷歌最先提出的學習方式，原本用於解決安卓手機終端用戶在本地更新模型的問題，其設計目標是在保障大數據交換時的信息安全、保護終端數據和個人數據隱私，廣泛運用於保險行業的人工智慧算法學習。
醫療行業面對同樣嚴重的隱私問題，數據不能出院，而許多人工智慧也進不了醫院。隱私的洩漏風險很大程度上阻礙了人工智慧的發展。
在醫療健康領域推進智慧醫療的過程中，病理報告、檢測結果等病人隱私數據常常分散在多家醫院、診所等不同地區不同類型的醫療機構，聯邦學習使機構間可以跨地域協作而數據不出本地，多方合作建立的預測模型能夠更準確地預測癌症、基因疾病等疑難病。
第二個方向是深度學習自動化。周少華表示：「深度學習本身還是需要很多人工東西，比如建設數據人工標準，設計網絡架構，設計損失函數。這些人工的東西是否能由機器來完成呢？以現在的人力數據處理速度，難以實現從點到線的突破，即只能單點解決問題。所以，深度學習也需要自動化，現在很多的學者也在研究這個問題。」
第三個方向是通用表徵學習。問題仍然出在數據上，即在實際中，許多關聯項目各自擁有一定量的數據，但這個數據難以支撐有效的算法，那麼我們是否可以尋求一種通用的學習方式來同時進行所有的任務？
通用表徵學習的好處在於：若存在任務較多，但每單個任務數據有限時，把這些任務和數據整合在一起或許可以獲得更好的表達。這將技術能夠一定程度上解決數據缺乏和多任務並行兩個問題。
軟硬結合是大勢所趨，從以聯影為代表的器械巨頭中看初創AI的發展機會
軟體如何發展固然重要，但作為這些算法的載體，醫療影像器械同樣需要力量支持。
沈定剛教授在MICCAI 2019的Workshop中曾點明的器械發展的整體趨勢，即由單模態、單流程向多模態，全流程不斷進步，而人工智慧技術將在其中發揮至關重要的作用。
在很長的一段時間內，影像設備的發展是單一的縱向發展，即從單參數影像向多參數影像靠攏；由低排數向高排數發展。這樣帶來的結果是醫生診斷的準確率越來越高，但單位時間內需要處理的數據也就越來越多，實際上提高了醫生工作的總量。
而人工智慧的發展則推動了影像設備的橫向發展，即將過去單個的照片環節、導航環節、診斷環節、治療環節等諸多環節連成一個整體，出具全棧式的方案。這種變革為醫生帶來的不僅僅是效率上的提升，更是工作模式的轉變——將醫生從機械勞動中解放出來，去進行更有價值的勞動創造。這正是聯影智能所做的事，將優質的硬體與不斷推陳出新的軟體相結合。
聯影智能COO詹翊強告訴動脈網記者：「聯影走的是一條自主研發之路，即在研發設備的同時自研AI軟體產品，以高品質、覆蓋診療全流程的AI產品佔領市場。」
「我們的做法是，從源頭做起，以全線設備作為AI切入口，為設備賦能。此外，我們讓AI更好地賦能臨床，打造貫穿臨床診療全工作流、覆蓋多病種的AI。」軟硬結合，聯影智能具備了AI落地的天然優勢——數據與應用場景。
而在自行研發AI的同時，詹翊強提出了聯影智能自有的模式：「單個AI產品的開發成本高，但價值有限，所以聯影智能正嘗試找到一種更有效的模式進行AI開發，使整個開發流程規模化——打造聯影智能獨有的系列功能模塊，並基於此開發AI產品。所以，我們在開發第一個AI產品的時候投入會很大，第二個AI產品投入會比較大，但當我們具備足夠的AI功能模塊時，開發後續產品，成本就逐漸減少。當我們的AI功能模塊不斷成熟，AI技術可能呈指數發展。」
有著硬體的支持，無論是在應用場景上，還是商業入口上，聯影智能都能擁有打一場持久戰的資本。正如中國科學院深圳先進技術研究院研究員鄭海榮所言：「如果AI技術是有價值的，怎麼會通不過審批？這是遲早的事。」
只是在國內整體的投資結構下，對於初創公司而言，沒有審批的幾年必然是一段困難的時光。畢竟，要想規模化、商業化，審批依然是一條「關鍵的圓木」，將AI初創企業卡在了河床之中。
但也不必過分擔憂，詹翊強表示：「醫學影像AI的發展需要時間的沉澱與深度的挖掘。創新生態的構建也需要各界的共同努力。相信那些真正有實力的AI初創企業是能夠堅持住的。
那麼醫療影像AI未來向何方？詹翊強同樣提到了幾個方向。
第一，人工智慧將成為影像標配，這一點已經反應在了許多先進設備之中，而技術上升來帶的成本下沉終將把這一恩惠傳遞給更多的醫療機構。
第二，個性化場景的優化將成為研究重點。隨著深度學習的應用越多越多，標準算法應該根據具體問題做進一步優化。例如，人工智慧需根據器官和疾病的特異性，進行一些網絡結構、損失函數、監督任務的優化。
對於醫生而言，問題還不完全出在技術上
上述談到的技術上突破離實際似乎還有一些遙遠，而對於醫生而言，眼下要解決的還是一些基礎性的問題。作為本次MICCAI上一股重要的力量，醫生團體則提出了不同的看法。
「現在我最希望解決的是數據方面的問題。」北京大學第一醫院醫學影像科主任王霄英在採訪中表示。AI模型訓練時使用的數據是經過清洗的，所以AI模型對於用於預測的影像數據的格式、質量均有一定要求。但在實際工作中，按照常規影像檢查流程生成和存儲的圖像數據很多不能滿足AI算法的需求，預測效果就受影響。
「目前數據處理流程和AI預測流程是脫節的。在AI接入臨床工作時，如果是由醫生人工把AI可以識別的影像分離出來，再交給AI處理，就不能實現全流程的自動化。未來我們希望通過臨床操作的規範化、算法模塊的增加、算法能力的提高來處理好這些問題。」
另外一個問題來源於醫生對AI的體驗，儘管影像醫生很多都聽說過人工智慧，但真實接觸過AI的醫生不多，技術下沉仍需各方共同努力。
同時，醫生接受AI需要更多的知識普及。「醫生從初始教育開始，便建立了『根據機制去理解現象，再根據現象去推測機制』的邏輯，即醫療是交織著無數聯繫的一門學問，對任務結果的解釋都需要謹慎對待。AI的『輸入』、『輸出』過程應使醫生能夠理解，否則醫生難以信任這一黑盒過程。」王霄英主任表示。
繁榮背後，人工智慧算法仍有待突破
總的來說，MICCAI的繁榮印證了AI醫學影像領域的繁榮，這裡也有足夠多的研究成果等待著轉化，也有足夠多的問題有待繼續挖掘。
但是我們也需警惕技術的局限性。深度學習作為一項擁有近40年歷史的技術，至到2012年卷積網絡的出現才有了今天繁榮。但數年的發展或許已將技術紅利消耗殆盡，在人工智慧的三大影響因素——算法、數據、算力中，「數據」已經被冠以核心影響因素很長一段時間，那麼算法如何突破呢？
對於這個問題，周少華表示：「我們無法估量下一次算法的突破會在什麼時候，不過現有的算法體系的確不能滿足人們想像中的人工智慧。下一個的智能在哪裡？這還需要各行各業領域學者的共同努力。」
附表：2019年MICCAI論文收錄情況（僅包含國內企業部分）