医疗科技的六位“最强大脑”，带你看清技术与商业未来

摘要雷锋网按：2020年8月7日，全球人工智能和机器人峰会（CCF-GAIR 2020）正式开幕。CCF-GAIR 2020 峰会由中国计算机学会（CCF）主办，香港中文大学（深圳）、雷锋网联合承办，鹏城实验室、深圳市

雷锋网按：2020年8月7日，全球人工智能和机器人峰会（CCF-GAIR 2020）正式开幕。CCF-GAIR 2020 峰会由中国计算机学会（CCF）主办，香港中文大学（深圳）、雷锋网联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。

8月9日，作为本次大会的收官之战，“医疗科技”专场正式拉开帷幕，围绕「后疫情时代的医疗新基建机遇」这一主题展开。

其中联影智能联席CEO沈定刚、华西医院副院长龚启勇、腾讯天衍实验室主任郑冶枫、平安医疗科技首席科学家谢国彤、商汤科技副总裁张少霆、西门子医疗中国数字医疗负责人陈黎峰，详谈了后疫情时代医疗科技的新常态，以及技术落地和产品方法论。

以下是本次大会的精彩回顾：

联影智能沈定刚：如何将AI应用到新冠肺炎诊断全流程？

联影智能联席CEO、MICCAI 2019大会主席、IEEE Fellow沈定刚教授发表了开场报告，介绍了医疗AI在新冠肺炎诊断全流程中的应用。

沈定刚教授表示，目前新冠肺炎仍然在全球蔓延，全球有1800多万人确诊，CT已经成为新冠肺炎诊断、评估和随访的重要手段。然而，这个过程中存在最重要的两个痛点，首先，如何帮助医生尽量避免感染；其次，有了CT设备后，如何用人工智能的方法进行肺炎的量化分析，用CT图像辅助诊断和随访。

为此，联影智能提出了三个解决方案：无接触扫描、肺炎量化分析、随访评估与诊断。

沈定刚教授表示，为了避免病毒传播，有的操作技师在新冠肺炎早期甚至通过竹竿这样的工具远距离操作CT扫描，原始且危险。为此，联影集团研发了AI智能采集系统，把边缘计算和摄像机结合，自动采集人体三维形态和部位信息，自动操作CT扫描，满足医生在操作间就可完成扫描任务。

在肺炎分割与量化方面，主要是为了实现三个目标，新冠肺炎判别、危重程度检测以及判断进展变化，沈教授介绍了联影智能的uAI分割引擎，可以对肺炎、5个肺叶、18个肺段进行精确的分割。

在随访评估与诊断层面，有些新冠肺炎病例与普通肺炎病例有相似的感染程度，因此，联影智能提出了基于感染信息的注意力网络 (Attention-guided Network)，用分割出的感染区域引导分类器聚焦于感染区域；在评估新冠肺炎严重程度上，提出了一种多任务、多示例学习模型 (Multi-task multi-instance framework)；在危重预测与演变时间估计上，为了解决样本不平衡以及特征复杂且高维的挑战，提出了联合分类与回归的稀疏模型 (Joint sparse classification and regression)：让两个任务共享相同特征，用于改进各自的性能、解决数据不平衡问题以及针对所选特征，作出临床解释。

华西医院龚启勇：“成像+AI”，直面精神影像学的原生性难题

第二位演讲嘉宾是华西医院副院长、ISMRM Fellow龚启勇教授，他主要分享了脑疾病影像AI的新机遇。

作为临床放射学精神影像领域的国际知名学者，龚启勇教授在国内率先建立了精神放射影像体系，被国际同行称为“leader in the field of Psychoradiology”。

他表示，精神影像学拥有重要的发展前景，但是，依靠传统技术将面临多重瓶颈。相比其它脑部疾病，在常规CT、X射线等临床影像手段上，往往很难发现精神类疾病的脑部病变。而这类疾病的判断也没有明确的客观指标，临床治疗和诊断只能依靠经验和主观因素。

近年来的成像技术和AI技术的发展，则给这一难题带来新的希望。一方面核磁成像技术提供了更清晰的脑状态、脑结构等一系列参数，成为脑疾病诊断的首要依据。另一方面，深度学习的出现，则可以依靠大量数据信息，总结出不易发现的影像学特征变化规律。

龚启勇教授认为，这两种工具的结合未来也许可能解决许多精神影像学的原生性难题。

首先，通过AI分析方法，可以总结分析出影像特征变化和精神疾病的密切相关性，例如利用神经环路和链接脑结构改变，可以从影像学征像判断这类疾病的严重性和特定临床类别。

其次，可以籍助AI进行药物治疗靶标确定。龚启勇表示不同精神药物在不同大脑区域，往往会有不同的反映，特定脑区改变可能是药物靶点定位的一个重要依据，AI可以通过脑区特征的改变，判别精神药物的有效性和帮助治疗方案的选择，还有望为临床干预和介入治疗提供精准治疗靶标。

腾讯郑冶枫：小样本学习与域自适应

第三位出场的演讲嘉宾是腾讯天衍实验室主任郑冶枫。天衍实验室是腾讯内部专注于医疗AI的实验室, 覆盖医疗大数据、医疗自然语言理解、医疗影像等等。

在演讲中，郑冶枫博士主要分享了深度学习在影像诊断上的两个固有痛点：缺乏训练样本以及跨中心泛化能力差以及相应的对策。

对于训练样本量的问题，郑冶枫博士认为，迁移学习是一个很好的方式，可以将某个任务（源域）上训练好的模型迁移到另一个任务（目标域）。而为了获取更多的医学数据、积少成多，郑冶枫博士团队提出了Med3D：共享编码器的多任务分割网络，在大量异质的公开数据集上预训练，然后迁移到其它任务，并且进行了开源输出。

当然，除了Med3D，郑冶枫博士团队还提出了基于魔方变换的自监督学习，在预训练阶段不需要人工标定，从而减少大量的时间成本。

另外一方面，为了解决域偏移的问题，他们还提出了新型无监督域自适应(UDA)的方法，来缓和域偏移所导致的性能下降。该方法仅仅需要源域的数据、标注以及目标域的部分图像，无需目标域的标注，即可实现两个领域的自适应。在演讲中，他以VideoGAN: 视频风格转换以及OP-Net: 基于单张图像的风格转换的两个案例进行了说明。

平安谢国彤：2大基础平台及4大医疗AI模型

第四位出场的演讲嘉宾是谢国彤博士，他是平安集团首席医疗科学家。他表示，过去五年时间里，平安积累了大量医疗的业务，而平安医疗科技，则是从每个业务中沉淀数据，把数据变成AI模型，再反哺赋能给各个业务。

谢国彤博士认为，所有AI都无非四个要素：数据、算力、算法和应用。在这四个要素下面，平安共研发了2个基础平台和4个医疗AI模型，以支持医疗的各种分析和推理，目前有1.6万家医疗机构，43万医生在使用。

两个基础平台主要是赛飞AI平台（算力）和医疗的五大库和知识图谱（数据）。

谢国彤表示，医疗五大库及知识图谱，首先是从数据端出发，分四步去解决数据处理难题：第一，去掉噪音，补全数据，提升数据输入质量；第二，结构化，通过数据和文本抽取，实现数据可用；第三，标准化，把不同来源的医疗数据名称统一；第四，利用算法挖掘疾病的风险因子或者治疗方法。

而赛飞AI平台则主要是通过发动平台化战略，解决AI产品算力和落地的基础性问题。

谢国彤说到，平台的目的就是让医疗数据科学家专注在自己领域内，由平台去完成AI通用算法、智能标注、分布式训练加速、高性能压缩模型部署等通用问题。

在这两大基础平台之上衍生的4个医疗AI模型（算法），主要侧重在疾病预测、智能影像、AskBob辅助诊疗、疾病全周期管理等四个场景。

在最后的总结中，谢国彤说到，医疗人工智能是利国利民的事情，人命关天，需要AI界和医学界的紧密合作，用AI的算法解决真实的需求，保证模型的安全性、可用性，才能对“健康中国”产生真正的价值。

商汤张少霆：基于CV，搭建赋能全院临床的AI平台

第五位出场的演讲嘉宾是商汤科技研究院副院长、集团副总裁张少霆。他说到，过去国内探索的方向都是“基建出海”，现在商汤则在探索实现“科技+基建”的共同出海。

张少霆表示，商汤科技的战略核心是围绕计算机视觉技术，而智慧医疗的具体产物则是SenseCare^®智慧诊疗平台。

作为商汤临床一体化的产品， SenseCare® 智慧诊疗平台可以落地在医院放射科或者区域IDC数据中心，在数据不出科室或数据中心的情况下，让不同临床方向的医生只需要一个笔记本电脑、甚至手机，仅通过访问网络浏览器的情况下，使用所有医疗AI功能，以及医学影像三维后处理功能，并且让不同临床医生读取不同数据，就可以启动不同的工作流，实现赋能全院临床。

然而，这种场景的实现存在两个问题：首先，如何利用AI对多模态多病种进行精准的检测、分类、分割；其次，如何在不传递原始数据的情况下，支持全院医生高并发的二维、三维分析需求。

在自研AI算法引擎的基础上，商汤SenseCare^®智慧诊疗平台相继孵化了胸部CT智能分析及手术规划方案、胸部X线智能分析、心脏冠脉智能分析、骨肿瘤智能手术规划、消化道病理和TCT宫颈癌精准分析等临床辅助工具。

张少霆表示，针对区域级、城市级的智慧新基建建设，部署更偏向于SAAS平台的形式，底层可以支持安全可靠的数据存储、备份机制，向上则加载数据和人工智能管理功能，同时赋能区域内多家医院，实现区域内医疗智慧化升级。