AI 醫學影像的現狀、機遇與挑戰_醫學前沿

北京大學王立威教授： AI 醫學影像的現狀、機遇與挑戰

參考來源：http://www.sohu.com/a/209212040_114877

摘自AI掘金志與慕課學院聯合舉辦的視頻課程，課程地址：http://www.mooc.ai/course/339/thread?page=2

我沒有觀看視頻，還是捨不得花這個錢啊。。記錄一些從網上擷取的重點。

專家簡介：北京大學王立威教授，首位獲得AI's 10 to Watch獎的亞洲學者，同時也是LUNA和天池AI醫學大賽冠軍隊導師

王教授實戰的案例人工智慧肺結節檢測與良惡性診斷：採用了三階段模型架構來解決肺結節的種類多，形態各異，容易與血管及其他組織混淆的問題。

具體為：

1.肺門地區結節

        肺門地區結節是非常容易發生錯誤、漏檢的地方，肺門地區結節和其他結構完全串連在一起的特性使得資訊難以區分。王教授團隊的技術核心是將多尺度資訊結合，應用一種特徵金字塔網路（FPN）。

2.磨玻璃結節
        磨玻璃結節也是一個容易漏檢的部分，相比而言，磨玻璃結節與其他地區的亮度差異較小。通過引入難例挖掘機制，使得模型更為關注困難樣本，提高磨玻璃結節的檢測準確度。

3.結節臨床意義分析

        在結節臨床意義分析方面，王立威教授指出：一個患者的整個肺裡只有一個地方有結節，另一個患者有很多結節，雖然有一樣的結節，但是對於兩個人的意義是不同的。我們通過結合病例內所有結節的全域資訊，進行結節臨床意義分析與判斷，協助醫生關注到更具有臨床意義的結節。整個過程為：

注意：這裡用到了Context Net。避免孤立地看待檢測出的結節，而是在全域上判斷哪些是有臨床意義的，包括利用系統判斷結節良惡性的機率值。

在他看來，醫學影像問題可以分為兩類：

1.提高效率。對於醫生而言，檢測出肺結節是很容易的事情 ，人工智慧血藥做到的就是提高效率。

2.攻克醫學難題

對於未來在AI醫學影像領域的工作者來說，最重要的事情是要兼備人工智慧技術和醫學知識，既要成為機器學習專家，也要不斷學習醫學知識。AI工作者需要花很多時間培養自己閱片的能力，要像一個初級的醫師一樣不斷學習影像方面的知識。最好做一個懂醫學懂機器學習的雙向人才。

一些與學員的問答：

問：作為放射科醫生，對於肺結節自動檢出產品，最關心的是假陰性，這個問題怎麼解決。

答：從醫學的角度來講，大家關注的效能指標應該是兩個：特異性和敏感性，敏感度其實指的是一種查全率，是不是把所有的結節都找到了。特異性是指假陽性的比例。在某種意義上，這是兩個矛盾的指標，如果把一個指標調到最大，那肯定另一個指標的表現就會變得很差，大家都希望這兩個指標能夠達到一個最好的平衡。

問：目前的深度學習技術，能夠比較高精度的檢測多小的結節，五毫米左右如何。

答：我們現在的系統檢測五毫米左右的結節沒有任何問題。當然從醫學的角度來說，國家也發布了關注這類篩查的手冊指導意見。我們真正需要關心的就是三毫米以上的結節，三毫米以下現在可以不需要在報告裡體現，我們的系統在三毫米以上的檢測都是沒有什麼問題的。