透过ISICDM,看医学图像分析的未来趋

第二届图像计算与数字医学国际研讨会（ISICDM）虽已告一段落，但本次大会所带来的信息，仍值得深思与回味。

医工交叉与产学结合，这两个由来已久的问题随着人工智能的兴起，让医学影像分析面临着全新的机遇与挑战。

隔行如隔山，这对IT界和医学界来说尤为贴切，当双方团队共同打造一个产品时，面临着话语体系不同、评价方式不同、谁来主导等诸多问题。

目前这个市场还处于初期，各路玩家相继入场，产品仍处于科研摸索期。

在此大环境下，电子科技大学李纯明教授作为ISICDM会议的发起人和程序主席，汇聚了理、工、医三方知名专家，力促人工智能+医学图像的进一步研究与应用落地。

电子科技大学李纯明教授

会上，众多专家指出，目前企业开发的医学影像AI产品，离临床实际应用还有一定的距离。

其主要体现在两点：一方面是工程技术尚未成熟；另一方面则是产品开发者对临床需求的理解和认知有限。

首先，深度学习的不可解释性和调参难题仍未被实质性地解决，甚至研究成果的可重复性都时常被质疑。算法和软件的性能稳定性和鲁棒性在理论和应用实践上均缺乏有力的支持。

而上述问题的本质是，由于科研人员做的研究总体偏工程，较为缺乏原创性和突破性的基础研究，导致工程技术开发正在进入瓶颈期。

十分注重理论基础的李纯明教授深感基础研究的重要性，因此在会议中加强了数学理论与方法的内容，邀请了国内著名的优化理论与算法专家何炳生等数学领域的专家做了图像科学的数学理论与方法系列讲座。

此外，李纯明教授也特地安排了“临床医生谈需求与挑战专场”和“医工交流会专场”，聚集众多医生与工科人，共同探讨临床问题的技术解决方案。

为了更加全面地促进理工医深度融合，整个大会在3天内共设置了24个主题专场，多位海内外知名讲者向与会者分享了他们的最新研究成果以及对理工医交叉的看法。

雷锋网作为两届ISICDM的独家媒体，透过这两年的报告内容，总结出以下四个趋势：

深度学习遭遇瓶颈，基础理论研究成热点

罗切斯特大学罗杰波教授

ISICDM期间，BabaVemuri、罗杰波等嘉宾公开指出，利用大量标注医学图像数据做训练，这并不是一种长久的研究方式。

首先，由于隐私问题，医院方不太可能开放出太多高质量的数据供开发人员训练和使用。与此同时，深度学习的不可解释性，无法循证，这在解决医学问题当中非常受限。而这两项也严重制约了医学影像分析的发展。

因此，开拓基础理论研究，而非单一在数据上解决问题，成了学者们新的征途。

医院步宏教授曾在第一届ISICDM大会中指出：医生应用AI，最怕的就是别人对我们说，你们什么都不用管，只要给我数据，我就一定能做出成果来。这类人我遇到很多。医学并不是一门纯粹的科学，还涉及很多人文、伦理等因素。理工科的人也许认为，只要把数据给他们即可进行训练模型。但医生还必须考虑哪些信息必须隐去，因为涉及到伦理。

“很多医生也在做人工智能方面的研究。我的学生也经常看理工科学者发表的论文，他们有时候会拿着论文跑过来对我说，‘老师，你看！这篇论文连基本的医学常识都没有。是不是该给它加一个医学的reviewer呢？’如果真的这么做，很多论文其实根本发表不出来。论文成功发表并不代表取得了成果，只说明在你reviewer的知识范畴中这种方法是可行的，实际应用到临床当中，就会暴露很多问题。”

“矛盾的核心在于，理工科学者和医生之间的联络太少，我绝不相信随便拿一堆片子就能做出研究成果来。”

除了医学图像数据的特殊性外，深度学习本身也存在诸多弊病。

年，雷锋网赴夏威夷参加CVPR期间，明显感受到了基于深度学习的计算机视觉技术研究已进入瓶颈。

CVPR会场上，港中文-商汤联合实验室主任林达华教授曾向雷锋网介绍到：“今年并没有一个特别让人兴奋、惊喜的成果出来。”包括「DenselyConnectedConvolutionalNetworks」等最佳论文在内，我们看到了很多不同的网络设计的想法和切入角度，这些扎实的工作推动了现有体系、架构的一步前进，但是，却普遍缺乏一个fundamentalbreakthrough。

如今似乎是有新的成果诞生但又有所停滞的状态，虽然各种思路百花齐放，但是很多核心问题都尚未取得新的突破性进展。”

今年BabaVemuri和林达华教授的观点相似，两人均提到了fundamental这个词，意在表明多数学者更多停留在工程问题，而非基础学术问题层面。

现在的深度学习其实是一个有问题的框架，多用大数据和很多标注数据来训练，这在过去几年很成功，但不代表是正确的方向。当前计算机视觉的系统是一个（特征为）trainingsystem的训练，而不是一个learningsystem，我们要从trainingsystem变成learningsystem，让机器主动，并结合数据的结构、时间空间结构去学习，而不是被动地用人工训练来标注它。

徐立曾向雷锋网介绍到“现在，基础研究不能丢，才能带来足够的时间窗口。AI的发展需要产业和研究相结合，以定义问题，解决问题。”

在大家聚焦于dataset的大环境下，ISICDM却逆潮流而上，连续在两届大会中设置了数学以及基础理论的分论坛，意在让更多工科学者站在理科的视角去重新看待问题。

现场情况也印证了工科学者对基础理论的热枕。

大会报告嘉宾南京大学数学系教授何炳生向ISICDM大会程序主席李纯明感叹道“我完全没有想到自己的报告会有那么多人来听讲，开讲前座位就已经被占完，后来的人只能站在会议室门口。台下听众大多是研究生和教授。一般在会场作报告，都是PPT讲解演示。但PPT演示的效果哪里抵得上教室加黑板？所以我让会务工作人员在演讲台上给我加了块可以写字的白板，我在上面用黑笔写公式推导。总共讲了一个半小时，下面不少人站着听了一个半小时。你可以看到，他们往白板越走越近，一是因为挤，二是因为真心想学。”

医生需求仍旧难以满足

众多医生谈到，首先，人工智能在医疗领域的应用必须充分全面，不能只针对单一场景。因为医疗的对象是人，人的生命只有一次，一旦犯错就无法弥补。

以肺部为例，开发AI系统的工作人员开发出来的系统不能只会检查肺部，还要确保其他地方不出问题。现有的肺结节筛查系统大都只重点

转载请注明：http://www.bixiongs.com/lwzs/11656.html