秋天，是收穫的季節。近日，平安科技人工智慧中心的10篇論文，入選國際醫學圖像計算機輔助幹預會議MICCAI 2019年會和北美放射學年會RSNA2019。
MICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI) 是聚焦於醫療圖像處理和輔助治療技術方面的綜合性學術頂級年會，由國際醫學圖像計算和計算機輔助幹預協會主辦。在2019年投稿量比2018年增加近70%的背景下，平安科技人工智慧中心產出的5篇高分命中論文，展現了極高的研究質量。
RSNA(Radiology Society of North American, RSNA)則是放射醫學界的盛會和放射醫學臨床研究的風向標，每年11月底至12月初在美國芝加哥召開，是全球放射學臨床研究成果和主要醫療器械廠商產品發布的重要場合，會議論文代表了放射醫學界醫學應用研究的最高水平。
科研過程中，平安科技人工智慧中心和世界頂級醫療機構國立衛生研究院(NIH)臨床中心以及林口長庚紀念醫院(CMGH)緊密合作。合作的論文，分別被MICCAI 2019和RSNA 2019各5篇收錄(其中MICCAI 3篇是early accept，1篇是大會口頭報告;RSNA 4篇是口頭報告)。
平安科技人工智慧中心所有研究工作都有臨床頂尖醫生們的積極參與，在深入溝通和親密合作之下，根據臨床痛點，雙方一起提出問題，繼而解決。基於該研究特色，從最開始研究的命題就確定了是臨床硬需，這為今後技術應用於患者的精準診斷和治療產生積極意義，代表著平安科技的研究不但在技術探索上走在前沿，而且在臨床應用上也得到醫學界的認可，為下一步深入臨床迭代提供了堅實的基礎。
平安科技人工智慧中心是一支由全球頂尖算法專家、平安集團首席科學家肖京博士帶領的團隊。團隊成員包括平安科技技術研究院(華盛頓)執行院長、醫療人工智慧領域著名學者呂樂博士。匯集了一批畢業於約翰霍普金斯大學，愛荷華大學，多倫多大學，不列顛哥倫比亞大學，阿爾伯塔大學等著名學府，以及曾經在西門子(Siemens)、英偉達(NVIDIA),和美國國立衛生研究院(NIH)等知名企業和研究機構工作過的高端人才。
其中四篇論文成果展示如下：
1、髖部骨折敏感度95%以上
髖部骨折是創傷常見問題，據統計髖部骨折約佔全身骨折的20%以上，且具有極高的致殘率及病死率。髖部骨折通常在急診科使用髖關節X光進行診斷，由於可能伴隨內出血，急診科醫生需要在短時間內對骨折做出準確的判斷。髖關節和盆骨結構複雜，常與其他內臟器官重疊在X光內形成偽影，這對骨折的診斷造成一定困難，這使得在急診室的高壓力環境下，經常出現骨折的誤診或漏診。
平安科技人工智慧中心和長庚醫院著名的創傷急診中心合作，提出新的檢測髖關節和盆腔所有部位骨折的AI技術(Weakly Supervised Universal Fracture Detection in Pelvic X-ray)，該技術對髖關節各部位骨折的敏感度和特異度均達到95%以上，而對於常見於老年人的股骨骨折則達到99%的高敏感度。該算法已經達到國際領先醫院的創傷外科、急診科醫生的水平。
圖一：髖部骨折自動檢測系統，紅色塊為AI自動檢出的骨折部位
Y. Wang, et al., "Weakly Supervised Universal Fracture Detection in Pelvic X-ray", International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019 (early accept)
C. Cheng et al., Universal High Performance Pelvic/Hip Fracture Detection on Pelvic Radiographs of Trauma Patients using Cascaded Deep Networks, RSNA, Chicago, USA, 2019 (Scientific Oral Paper)
2、無監督學習識別異常胸片
X光胸片是放射科室業務中佔比最大的影像種類，近年來，特別是隨著2017年NIH發布胸片公開數據集以來，對於X光胸片人工智慧應用層出不窮。由於胸片數量大，各個醫院乃至同一個醫院不同設備數據來源不一。另外現在主流的AI系統開發都是採用有監督的深度學習方法，要求醫生對於各種胸片的疾病徵象都需要標註，這造成研發工作中的較大負擔。
平安科技人工智慧中心和NIH合作，對於數據來源不同的X光片如何自適應，以及採用弱監督甚至無監督的方式對異常胸片的識別，進行了大膽探索，均獲得滿意的結果。研發出的無監督方式下的TUNA-NET，在兒童肺炎X光片的識別的任務上獲得了AUROC=0.963的結果，已經非常接近於有監督學習的結果(AUROC=0.981).
圖二：TUNA-Net的無監督學習條件下兒童肺炎識別
Y. Tang, Y. Tang, et al., "TUNA-Net: Task-oriented UNsupervised Adversarial Network for Disease Recognition in Cross-Domain Chest X-rays". International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019
Y. Tang, Y. Tang, et al., "Task-oriented Unsupervised Adversarial Network for Disease Recognition in Cross-Domain Chest Radiographs", RSNA, Chicago, USA, 2019 (Scientific Oral Paper)
3、食管癌靶區自動規劃
在放射治療中，臨床靶向區域(CTV: Clinical Target Volume)既要涵蓋可見的腫瘤區域，也要包括微觀的腫瘤細胞可能擴散到的區域，如淋巴結。這在實際操作中比較困難，非常依賴放療腫瘤主治醫生的水平，不同的醫生之間勾畫的臨床靶向區域會有較大差異。因此客觀的臨床靶向區域分割算法在食道癌放療規劃中起到關鍵的作用。
平安科技人工智慧中心提出的研究方法將食道癌的臨床靶向區域的分割設計為一個同時基於空間位置/距離和圖像特徵的模型，其中空間模型包含了腫瘤，淋巴結，和風險器官的空間位置和距離信息。這樣的深度學習模型可以更好的去推斷臨床靶向區域的邊界。臨床靶向區域勾畫在食道癌放療計劃裡的研究重要但是之前工作非常少，這項工作設立了一個新的裡程碑。
圖三 食道癌放療規劃臨床靶區規劃的效果圖
D. Jin, D. Guo, et al., "Deep Esophageal Clinical Target Volume Delineation using Encoded 3D Spatial Context of Tumor, Lymph Nodes, and Organs At Risk", International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019 (early accept)
D. Jin, D. Guo, et al., "Accurate Esophageal Gross Tumor Volume Segmentation in PET/CT using Two-Stream Chained 3D Deep Network Fusion", International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019 (early accept, Oral presentation)
4、通用病灶檢測精度再提高
影像學醫生的日常主要工作，是對醫學圖像進行仔細閱讀，找到各種病灶，測量其大小，然後在影像報告中對病灶進行描述。因此，自動病灶檢測、描述/分類、分割算法歷來是醫學影像人工智慧的研究重點。然而前人的工作大多集中在特定器官的單一任務的算法，如肺、肝臟中的病灶檢測或測量等工作。
平安科技人工智慧中心的研究嘗試將檢測、描述和分割三個任務結合起來，基於合作夥伴NIH發布的DeepLesion數據集，平安科技人工智慧中心開發了通用病灶檢測系統、描述系統和分割系統，並通過一個實例分割框架將這三部分有機地結合在一起，同時輔助以3D特徵融合策略和決策調整策略來利用病灶描述結果改善病灶檢測精度。該研究在DeepLesion數據集上取得了通用病灶檢測的最好精度，超過了之前結果最好的帝國理工大學團隊。
圖四：通用的病灶檢測系統，先看出病灶長在哪裡，再進行自動分類測量
K. Yan, Y. Tang, et al., MULAN: Multitask Universal Lesion Analysis Network for Joint Lesion Detection, Tagging, and Segmentation", International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019
K. Yan, Y. Tang, et al., MULAN: Multitask Universal Lesion Analysis Network for Joint Lesion Detection, Tagging, and Segmentation", RSNA, Chicago, USA, 2019 (Scientific Oral Paper)
關於平安科技
平安科技是平安集團旗下科技解決方案專家，致力於運用人工智慧、雲等技術賦能金融服務、醫療健康、汽車服務、房產服務、智慧城市五大生態圈。平安科技以「雲無限」為價值主張，積極踐行「科技改變生活」的企業理念，立志成為國際領先的「AI+雲」公司。
作為平安集團高科技內核，科技解決方案已經應用在超550個場景中，積極孵化智慧業務，助力建成生態閉環;作為IT後臺綜合管理平臺，開發和運營平安關鍵平臺和服務，支持平安保險、銀行、投資、網際網路等業務高效協同發展;平安科技也是雲平臺的積極構建者，平安雲作為平安服務的綜合輸出平臺，為全行業提供 IaaS、PaaS、SaaS 全棧式雲服務，打造的生態圈已經服務過5億用戶，並拓展至海外市場。