國(guó)際頂級(jí)人工智能醫(yī)學(xué)影像學(xué)術(shù)會(huì)議MICCAI 2019會(huì)期臨近，論文錄用結(jié)果陸續(xù)揭曉，騰訊共計(jì)入選8篇論文，涵蓋病理癌癥圖像分類(lèi)、醫(yī)學(xué)影像分割、CT病灶檢測(cè)、機(jī)器學(xué)習(xí)等范疇。

近年來(lái)AI醫(yī)學(xué)蓬勃發(fā)展，以“騰訊覓影”為代表的AI醫(yī)學(xué)解決方案快速進(jìn)入多種疾病的診斷核心環(huán)節(jié)。不過(guò)，醫(yī)學(xué)影像數(shù)據(jù)質(zhì)量參差不齊，人工標(biāo)注難度大等行業(yè)性難題，導(dǎo)致AI在醫(yī)學(xué)上的學(xué)習(xí)和應(yīng)用面臨諸多挑戰(zhàn)。在此次MICCAI 2019中，騰訊旗下兩大AI實(shí)驗(yàn)室——騰訊優(yōu)圖實(shí)驗(yàn)室與騰訊AI Lab分別從深度學(xué)習(xí)效率提升，以及醫(yī)學(xué)臨床應(yīng)用角度進(jìn)行創(chuàng)新性研究，各入選4篇論文。

提升深度學(xué)習(xí)效率：彌補(bǔ)“小數(shù)據(jù)”短板

將AI應(yīng)用于醫(yī)學(xué)圖像分類(lèi)的一大挑戰(zhàn)是訓(xùn)練數(shù)據(jù)少，其中一個(gè)解決辦法是結(jié)合遷移學(xué)習(xí)、多任務(wù)學(xué)習(xí)、半監(jiān)督學(xué)習(xí)等多種訓(xùn)練方式。騰訊AI Lab的研究把三種方法整合在統(tǒng)一框架中，從而疊加各方法的貢獻(xiàn)，并公平對(duì)比不同場(chǎng)景下各方法的貢獻(xiàn)。

圖注：半監(jiān)督學(xué)習(xí)前沿的一致性約束算法（包括VAT和PI－model）和廣泛采用的多任務(wù)學(xué)習(xí)算法（hard parameter sharing）整合在一個(gè)網(wǎng)絡(luò)中，采用交替任務(wù)的方式進(jìn)行端到端的訓(xùn)練，通過(guò)初始點(diǎn)的設(shè)定融入遷移學(xué)習(xí)。

在胃鏡圖片良惡性分類(lèi)問(wèn)題上的一系列實(shí)驗(yàn)說(shuō)明：?jiǎn)为?dú)使用時(shí)遷移學(xué)習(xí)提升性能最顯著；遷移學(xué)習(xí)基礎(chǔ)上，多任務(wù)學(xué)習(xí)在項(xiàng)目早期數(shù)據(jù)量較小時(shí)可進(jìn)一步提高，而半監(jiān)督學(xué)習(xí)可在較大數(shù)據(jù)量上持續(xù)提升；三者組合并利用大參數(shù)量網(wǎng)絡(luò)可獲得更好性能。這項(xiàng)研究成果將可用來(lái)指導(dǎo)如何單獨(dú)或組合使用遷移學(xué)習(xí)、多任務(wù)學(xué)習(xí)和半監(jiān)督學(xué)習(xí)提升醫(yī)學(xué)分類(lèi)模型的準(zhǔn)確率。

與此同時(shí)，騰訊優(yōu)圖實(shí)驗(yàn)室的研究，則有望在解決醫(yī)學(xué)影像標(biāo)注難題上找到新思路：醫(yī)療圖像（如CT，MRI）往往是三維數(shù)據(jù)，該類(lèi)數(shù)據(jù)存在標(biāo)注難度大，標(biāo)注信息難以獲取等問(wèn)題，這導(dǎo)致標(biāo)注的三維醫(yī)學(xué)圖像數(shù)量通常不足以很好地訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)。騰訊優(yōu)圖實(shí)驗(yàn)室提出了一種深度挖掘原始數(shù)據(jù)信息的自監(jiān)督學(xué)習(xí)方法，通過(guò)模擬魔方復(fù)原過(guò)程，使網(wǎng)絡(luò)自發(fā)地在原始數(shù)據(jù)中提取有用信息。

這項(xiàng)研究有望減少深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)數(shù)據(jù)量的需求，提高后續(xù)監(jiān)督任務(wù)的準(zhǔn)確率。同時(shí)，這也是業(yè)內(nèi)首次提出三維自監(jiān)督學(xué)習(xí)方法，有望彌補(bǔ)業(yè)內(nèi)的研究空白。

圖注：模擬魔方復(fù)原過(guò)程的自監(jiān)督學(xué)習(xí)框架。該框架包含兩個(gè)操作：打亂立方塊順序及旋轉(zhuǎn)立方塊方向。

此外，騰訊優(yōu)圖實(shí)驗(yàn)室的另一項(xiàng)研究則提出了成對(duì)分割框架，通過(guò)有效挖掘醫(yī)療影像切片間的關(guān)系，并以代理監(jiān)督的形式加以約束，從而通過(guò)不同切片之間的配對(duì)，大幅提升標(biāo)注數(shù)據(jù)的數(shù)量和相鄰切片預(yù)測(cè)結(jié)果的光滑性和一致性。這一方法能夠在標(biāo)注數(shù)據(jù)不足的條件下進(jìn)行語(yǔ)義分割這一現(xiàn)實(shí)場(chǎng)景發(fā)揮效用，通過(guò)有效挖掘先驗(yàn)知識(shí)，彌補(bǔ)數(shù)據(jù)量不足的問(wèn)題。

AI病理研究新突破：弱監(jiān)督、無(wú)標(biāo)簽、色彩歸一

騰訊AI Lab 醫(yī)療中心首席科學(xué)家姚建華博士曾介紹病理AI的三個(gè)主要研究方向：一是基于AI技術(shù)的病理診斷模型，二是病理組學(xué)，三是基于AI技術(shù)的病理預(yù)后預(yù)測(cè)模型，三個(gè)方向分別幫助醫(yī)生提高診斷效率、一致率、準(zhǔn)確率，以及新增了醫(yī)生的預(yù)測(cè)療效能力。此次在MICCAI 2019上，騰訊AI Lab在病理分析上連發(fā)3篇論文，闡述其在AI病理分析上的研究新突破。

研究之一由騰訊AI Lab與中山大學(xué)附屬第六醫(yī)院合作，提出一種僅使用臨床診斷結(jié)果作為弱監(jiān)督信號(hào)來(lái)訓(xùn)練分類(lèi)器的方法，對(duì)從病理圖像中拆分出的瓦塊進(jìn)行自動(dòng)分類(lèi)。這個(gè)新的分類(lèi)方法可加速病理圖像分類(lèi)器的開(kāi)發(fā)，通過(guò)結(jié)合智能顯微鏡，為臨床醫(yī)生提供實(shí)時(shí)的診斷意見(jiàn)，降低誤診的發(fā)生。

圖注：腸癌病理組織HE染色切片。通過(guò)結(jié)合智能顯微鏡，可以為臨床醫(yī)生提供實(shí)時(shí)的診斷意見(jiàn)，降低誤診的發(fā)生。

研究之二則由騰訊AI Lab與華南理工大學(xué)、中山大學(xué)附屬第六醫(yī)院合作，提出一種無(wú)標(biāo)簽領(lǐng)域自適應(yīng)算法，來(lái)訓(xùn)練具有領(lǐng)域不變性的深度神經(jīng)網(wǎng)絡(luò)，從而通過(guò)探索全視野數(shù)字切片的標(biāo)注信息，解決無(wú)標(biāo)簽顯微鏡圖像的分類(lèi)任務(wù)�；�于該方法訓(xùn)練出來(lái)的深度神經(jīng)網(wǎng)絡(luò)，在不使用任何帶標(biāo)注顯微鏡數(shù)據(jù)的情況下，在顯微鏡任務(wù)上取得了極為優(yōu)異的性能，甚至超過(guò)了使用部分帶標(biāo)注數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)。

研究之三則圍繞病理圖像的色彩歸一化。由于制片染色流程以及病理掃描儀的不同，數(shù)字病理圖像的色彩存在非常顯著的差異。因此，幾乎所有數(shù)字病理相關(guān)的分析之前都需要進(jìn)行色彩歸一化。騰訊AI Lab提出了一種針對(duì)病理圖像特點(diǎn)優(yōu)化的循環(huán)生成對(duì)抗網(wǎng)絡(luò)，通過(guò)引入額外的輸入，引導(dǎo)生成器產(chǎn)生特定色彩風(fēng)格的病理圖像，從而穩(wěn)定訓(xùn)練過(guò)程中的循環(huán)一致性損失函數(shù)。相比與其他色彩歸一化方法，騰訊AI Lab提出的色彩歸一化網(wǎng)絡(luò)作為癌癥分類(lèi)任務(wù)的前處理，能夠更好地提升后續(xù)任務(wù)的性能。

圖注： （上）測(cè)試數(shù)據(jù)來(lái)源于5個(gè)不同的醫(yī)學(xué)中心，本文提出的方法能將這些病理圖像都?xì)w一化到相近的色彩風(fēng)格。（下）將訓(xùn)練好的模型不經(jīng)過(guò)參數(shù)微調(diào)（fine－tune）直接在其他病理數(shù)據(jù)集上測(cè)試，同樣能進(jìn)行準(zhǔn)確的色彩歸一化。

AI研究更貼近臨床診斷需求：實(shí)時(shí)CT病灶檢測(cè)與眼底血管分割

在智能醫(yī)學(xué)影像分析上深耕多年的騰訊優(yōu)圖實(shí)驗(yàn)室醫(yī)療AI總監(jiān)鄭冶楓博士，在介紹AI算法研究經(jīng)驗(yàn)時(shí)曾表示：最重要的體會(huì)是不要改變醫(yī)生的現(xiàn)有流程，而是把AI技術(shù)無(wú)縫嵌入到醫(yī)生的檢查流程中去。此次在MICCAI 2019中，騰訊優(yōu)圖實(shí)驗(yàn)室?guī)��?lái)了兩項(xiàng)與臨床診斷需求非常緊密的研究成果。

研究之一是應(yīng)用在CT病灶檢測(cè)上。為了提升對(duì)不同尺寸病灶的檢測(cè)準(zhǔn)確性，騰訊優(yōu)圖實(shí)驗(yàn)室提出了一種利用通道和空間注意力機(jī)制的多尺度檢測(cè)器，首次在2D檢測(cè)網(wǎng)絡(luò)上達(dá)到比3D檢測(cè)網(wǎng)絡(luò)更準(zhǔn)確的結(jié)果，使得檢測(cè)效率更高，為后續(xù)病灶檢測(cè)方法的研究提供了堅(jiān)實(shí)的基礎(chǔ)。值得一提的是，這一方法還可以為臨床醫(yī)生提供實(shí)時(shí)的病灶檢測(cè)結(jié)果，提高醫(yī)生分析CT圖像的效率。

研究之二則是應(yīng)用于眼底血管分割。眼底血管是人體唯一一處可以直接無(wú)介入觀測(cè)的血管，很多全身性的疾病和心腦血管疾病都會(huì)影響眼底動(dòng)脈和靜脈的形態(tài)。因此，自動(dòng)化的血管分割和動(dòng)靜脈分類(lèi)具有重要的臨床意義。騰訊優(yōu)圖實(shí)驗(yàn)室將深度學(xué)習(xí)和多任務(wù)模型引入血管分割和動(dòng)靜脈分類(lèi)任務(wù)，同時(shí)實(shí)現(xiàn)端到端的動(dòng)脈、靜脈及全血管的分割和分類(lèi)。

這項(xiàng)研究成果極大地提高了眼底血管分類(lèi)的精度和預(yù)測(cè)速度，實(shí)現(xiàn)了端到端的血管分割和動(dòng)靜脈分類(lèi)。為眼底血管的精確量化打下了基礎(chǔ)，進(jìn)而可以促進(jìn)全身性疾病和心腦血管疾病在眼底生物標(biāo)記的相關(guān)研究。

圖注：動(dòng)靜脈血管分割和分類(lèi)效果圖。（A）原始圖片；（B）（E）血管分割和動(dòng)靜脈分類(lèi)標(biāo)簽；（C）（F）模型預(yù)測(cè)結(jié)果； （D）（G） 局部細(xì)節(jié)放大圖

加速研究到應(yīng)用轉(zhuǎn)化

作為“騰訊覓影”背后的技術(shù)提供者，騰訊優(yōu)圖實(shí)驗(yàn)室與騰訊AI Lab的研究成果已源源不斷地落地于真實(shí)的臨床研究和應(yīng)用探索中。目前，“騰訊覓影”已能利用AI醫(yī)學(xué)影像分析輔助臨床醫(yī)生篩查早期肺癌、眼底病變、結(jié)直腸腫瘤、宮頸癌、乳腺腫瘤等疾病，以及利用AI輔診引擎輔助醫(yī)生對(duì)700多種疾病風(fēng)險(xiǎn)進(jìn)行識(shí)別和預(yù)測(cè)。

與此同時(shí)，AI技術(shù)在臨床上的有效性也正在被逐步驗(yàn)證。在北京、上海、廣州、溫州、南寧、德清等地，“騰訊覓影”在學(xué)科帶頭人的帶領(lǐng)下分別針對(duì)早期肺癌、消化道腫瘤、眼底疾病等進(jìn)行臨床實(shí)驗(yàn)及科研合作，希望以技術(shù)幫助優(yōu)化醫(yī)療資源的不均衡。