宜遠智能CEO吳博:醫學影像的數據標註、算法方法與算力優化

雷鋒網AI掘金志《未來醫療大講堂——醫學影像專題》第四期總結文：一個只給醫療AI從業者、影像科醫生、名校師生、CFDA工作人員看的系列課程。

註：90分鐘的視頻信息量巨大，文章僅為冰山一角，強烈建議觀看完整版視頻（含57頁PPT），請點擊連結：http://www.mooc.ai/open/course/384

一、數據篇（17頁PPT）

1.醫學影像數據資產盤點

2.標註工具——脫敏：大框架、小技巧

3.標註工具第一類——PC+文件夾處理

4.標註工具第二類——專用IT系統和工具：客戶端系統與網站系統

5.第三方標註工具LabelImg

6.自建工具

7.標註工具開發心得

8.標註工具第三類——專用工具+AI輔助標註

二、算法篇（31頁PPT）

1.關於數據分割比例

2.遷移學習

3.框架選型：Pytorch、Caffe、TensorFlow、MXnet

4.目標檢測用於面部皮膚疾病分析

數據脫敏及預處理、皮膚疾病檢測

5.目標檢測用於宮頸基液細胞分析

基於深度學習+GBDT的Two Stage模型

multi CPU+multi GPU宮頸病理三分類系統

6.3D目標檢測用於肺結節CT分析：

數據處理、肺結節預測框架、Faster RCNN框架、Online hard Example mining、Loss 函數、框架選擇、我們的模型框架、FROC效果提升、模型網絡結構（150層+，Unet+Resnet）、分類器與融合

三、算力篇（9頁PPT）

1.架構選型決策：品牌 VS DIY

• Intel CPU+Nvidia GPU

• Power CPU+Nvidia GPU

• Intel CPU

• Intel +ASIC

• Intel +FPGA

2、選型決策：雲VS自建

亞馬遜雲、美團雲、阿里雲

3.算力優化：CPU GPU 寬帶優化、CUDA

吳博從數據、算法和算力三個層面，詳細介紹了自己在AI醫學影像落地方面的實戰經驗和心得。

他指出，醫療數據的價值評估與鑽石類似，可以從數據質量、同分布來源的影像數據尺寸和數據標註程度這三大維度來考核。沒有經過標註的數據就像未經加工的原石，無法體現其價值，因此數據標註是AI醫學影像落地過程中至關重要的一環。

吳博對數據標註工具進行了分類，並分享了自己在開發數據標註工具方面的心得。他指出，通過自建工具能夠更好地滿足項目推進過程中的用戶管理、權限管理、多人協作審核，以及模型迭代標註調整等需求。

數據層面，企業能做的決策不多，只能「看菜吃飯」，但在算力層面，企業有很多的選擇，比如選擇什麼樣的框架，選擇品牌設備還是DIY設備，選擇雲服務還是自建機房等。在課程的最後部分，吳博詳細介紹了許多選型決策和算力優化方面的技巧。

嘉賓介紹：

吳博，宜遠智能CEO

學術背景：吳博先後在清華大學、香港浸會大學求學，並在英國利茲大學完成博士後，師從計算機視覺專家唐遠炎教授等人。與此同時，他也在ICML/ACL等頂級會議發表多篇人工智慧論文。

工業界經驗：2017年創立醫療AI公司：宜遠智能，該公司集結了20多名人工智慧博士以及眾多海內外醫學顧問，為醫療健康領域提供AI增強解決方案，並與多家知名醫院達成合作，並推出成型產品。

創立宜遠智能之前，吳博曾在愛立信大數據研究院任職。還主導過百億級虛擬品電商、數字貨幣系統的業務及數據架構建設與運營。

2017年成果：吳博領導的宜遠智能團隊在醫學影像領域，取得以下成績：

1.阿里天池醫療AI大賽GPU環節國內最佳；開源系統榮獲大賽人氣獎。

2.面部皮膚診斷分析API、SDK已經進入商業化，並在2017年世界網際網路大會展出。

3.宮頸基液細胞學診斷AI在權威評測中，超出醫生水平。

以下圖文為雷鋒網AI掘金志節選的吳博課程部分內容：

一、數據篇

如何評估數據價值？

醫療人工智慧建立在海量數據的基礎之上，但優質的醫療數據十分稀缺，其價值隨之凸顯。如何準確評估數據的價值，是醫生和投資人非常關心的話題，對此業內尚未形成共識。

吳博認為，醫療數據可以類比為鑽石。鑽石的價值評估對應著顏色、淨度、切工和克拉這四個維度，醫療數據也可如此類比。

顏色越純、淨度越高的鑽石，價值也就越高。對於醫學影像數據來說，它的價值也取決於其乾淨、規範、清晰和標準化的程度。如果是從膠片、PACS系統和診斷報告中翻拍而來的數據，必然會包含一些雜質，其價值將大打折扣。吳博指出，高質量的數據需要是Raw Data，比如mhd格式的DICOM影像和openslide病理圖像。

鑽石單顆克拉數越高，價值也就越大。吳博認為，鑽石的克拉數可類比同分布來源的影像數據尺寸。所謂同分布來源的影像數據，對CT來說就是來自同一設備的，參數和曝光強度都相同的影像數據；對病理圖像來說，則指採用同一染色方法和色度、同一掃描儀及倍數，以及相同存儲格式的影像數據。

雖然AI企業的最終目標是開發出一套通用性強的算法，能通吃各種數據；但作為數據資產方，同分布同來源的影像數據規模越大，其價值就越高。

有些醫院雖然擁有大量數據，但它們來自不同的科室，格式也不盡相同，這種數據的價值是要打一些折扣的。

鑽石成為商品前需要經過切割等加工，醫療數據同樣要經過標註等處理才能釋放其價值。鑽石的切割工藝分為許多個層級，醫療影像數據的標註亦是如此。從基礎的類別標註到類別+病灶方框標註，再到類別+像素級勾畫，標註的精細度逐級提升，數據的價值亦水漲船高。

如何選擇數據標註工具？

工欲善其事，必先利其器。要想對醫療影像數據進行精細化的標註，首先得有好的標註工具。

吳博將標註工具劃分成了三大類別，他將最基礎的一類稱作「pc+文件夾處理」，即讓醫生在pc和工作站上對數據進行分揀。對於醫生來說，專業的數據標註軟體有一定的學習成本，原始的分揀處理減少了學習成本，而且往往行之有效，還具有不受網絡影響、安全性較高等優點。不足之處則在於，對後期的數據清洗要求更高，而且過程繁雜，十分消耗人工物力。

更高階的有專用IT系統和工具，包含第三方工具和自建工具。以MIT 的 Pascal VOC 標準標註工具 labelImg為代表的第三方工具雖然功能強大，但在通用性和靈活性方面還有所欠缺，因此企業經常不得不開發一些自建工具。

宜遠智能在開發數據標註工具方面積累了許多心得。吳博指出，通過自建工具能夠更好地滿足項目推進過程中的用戶管理、權限管理、多人協作審核，以及模型迭代標註調整等需求。

尤其是在醫學影像領域，標註的數據大多為圖片，天然具備便於展示的優點，因此可以本著方便易用的原則採用H5的canvas來設計標註工具，同時結合css3的變換，滿足圖像縮放、標註的需求。標註人員只需打開瀏覽器即可標註，無需複雜軟體部署。

鑑於有些標註圖片太大（比如一例CT數據多達幾十甚至上百兆，一例病理數據有可能多達1G），網絡傳輸效率低下，有時候需要對標註數據做本地處理。小的項目可以採用數據本地化的方式，使用fiddler等代理軟體將網絡圖片請求代理到本地。大的項目則可以做內網的分布式部署，將標註系統部署在內網伺服器上，由標註人員在內網進行標註。

基於這些自建工具，標註人員可以根據需求選擇本地標註或在線標註，操作集中於滑鼠，交互非常友好。標註人員可根據不同標註需求繪製點/線/框，無需複雜設置，打開瀏覽器即可標註，也可以清楚看到哪些已標哪些未標。

隨著技術發展，數據標註本身也呈現出了AI化的趨勢。比如基於以往的標註，可以通過AI模型對數據進行預處理，然後由標註人員在此基礎上做一些校正。

二、算法篇

（算法篇 共有31頁信息量極大的PPT）

三、算力篇

吳博認為，算力優化本質上是跟預算做鬥爭，因為任何一家企業的預算和資源都是有限的，必須做很多的決策，要有所取捨。

數據層面，企業能做的決策不多，只能「看菜吃飯」，有多少數據就做多大的事。但在算力層面，企業有很多的選擇，比如選擇什麼樣的框架，選擇品牌設備還是DIY設備，選擇雲服務還是自建機房等。

就框架而言，Intel CPU + Nvidia GPU的框架是目前為止的首選，特別是在需要做模型訓練的情況下。但企業也可以根據自身需求選擇其他框架，比如IBM體系的Power CPU + Nvidia GPU框架，性能也很優異，在CPU與CPU、CPU與GPU、GPU與GPU之間都可以提供非常出色的帶寬支持，構成比較高端解決方案。

而且為了追趕Intel CPU + Nvidia GPU的框架，Power CPU + Nvidia GPU提供了很多扶持計劃。對於研發團隊來說，加入它們的foundation獲得算力上的支持是個不錯的選擇。而且Power和浪潮的合作非常緊密，這意味著它的國產化將不成問題。

此外，還有Intel CPU、Intel + ASIC、FPGA等多種框架，它們各有優缺點，企業可以視自身情況作出選擇。

……

學員部分提問

雷鋒網(公眾號：雷鋒網)AI掘金志線上直播結束後，學員從不同維度提出了18個問題，吳博對多數問題進行了耐心解答。

問題：

1.多疾病分類的時候，針對嚴重不均衡的數據，除了過採樣以外，還有沒有算法層面的突破？嚴重不均衡的數據集合會不會造成分類時baseline不穩定？

2.如何對多模態數據進行有效利用？

3.針對組織器官數據有哪些標註工具？

4.模型迭代標註調整是什麼意思？

5.今天講的細胞學、病理、肺結節等，有做成產品用到醫院的嗎？

6.病理圖片的顏色千差萬別，如何做預處理？

7.液基細胞學用語義分割做的分割效果如何？

……

本文僅展示了部分內容和10頁PPT，剩下的精彩內容和47頁PPT，歡迎點擊連結：http://www.mooc.ai/open/course/384

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。