0
雷鋒網(wǎng)按：本文是雷鋒網(wǎng)于8月26日在ISICDM 2019現(xiàn)場與大會主席James Duncan教授的對話內(nèi)容。ISICDM是國內(nèi)知名的理工醫(yī)交叉論壇，意在推動海內(nèi)外理工醫(yī)交叉融合，激發(fā)產(chǎn)學研協(xié)同創(chuàng)新。
“1998年，第一屆MICCAI在麻省理工學院舉辦時，沒有人預想到它會發(fā)展成為如今的規(guī)模，因為那時候的參會人數(shù)只有400人左右。但是近幾年來，AI技術滲透到了每個角落，也隨之點燃了醫(yī)學影像分析。我們看到，現(xiàn)在圖像重建、增強、分類等方向都在大范圍應用深度學習和其他有意思的方法。不得不說，這是一個振奮人心的時代。”
作為MICCAI創(chuàng)始主席、ISICDM 2019大會主席之一，James Duncan教授在接受雷鋒網(wǎng)采訪時感慨地說。
2017年，MICCAI的參數(shù)人數(shù)首度破千。而今年10月在深圳舉辦的MICCAI 2019，預計超過2000人。這在James Duncan教授看來，是“讓人非常期待的一件事情。”
James Duncan是MICCAI最初的幾位創(chuàng)始人之一，以及MICCAI持久影響力獎的獲得者。
在1983年來到耶魯大學任教之前，James Duncan曾在休斯飛機公司工作，他非常感謝自己的這段經(jīng)歷。他說到，求學需要兼顧廣度和深度，很多領域的研究方法是相通的。
1998年，James Duncan和其他幾位學者討論將三個小型會議合而為一，這就是后來的MICCAI。他坦言，成立之初，并沒有想象到MICCAI會發(fā)展到如今的規(guī)模。20多年來，讓他印象最深的，則是MICCAI組織架構的日趨成熟和研究內(nèi)容的多樣性和創(chuàng)新性。
2010年，James Duncan成為MICCAI學會Fellow之一。MICCAI Fellow是用來表彰對MICCAI研究領域作出大量科學貢獻和對MICCAI社區(qū)的服務。
當時，James Duncan的獲評理由是：為生物醫(yī)學圖像分析做出杰出的科學貢獻，并通過會議組織、期刊編輯和MICCAI協(xié)會的特殊服務積極推動該領域。
近日，雷鋒網(wǎng)有幸在ISICDM 2019大會現(xiàn)場與James Duncan教授進行了一次對話。圍繞MICCAI的過去與未來、未來的學術研究風向、對中國學者的建議等等話題，James Duncan發(fā)表了自己的觀點，這也是他首次接受中國媒體專訪。
雷鋒網(wǎng)：是什么吸引你連續(xù)兩年來到中國分享學術知識？
James Duncan：去年我就已經(jīng)在成都參加過ISICDM。ISICDM的一個重要特色就是讓數(shù)學模型和深度學習兩大派學者代表一起做報告、交流和辯論。大約三、四年前，我在麻省理工學院和MICCAI也有類似的經(jīng)歷，我們討論數(shù)學模型和深度學習兩者孰優(yōu)孰劣。那個時候，深度學習還不像現(xiàn)在這樣火熱。
當時，我選擇了站在數(shù)學模型的這一方，但我認為最后的結果將介于兩者之間。所以，每隔一段時間我都會這樣做（將不同的方法進行結合）。
而且，我對中國在人工智能領域的研究越來越感興趣。今年MICCAI 2019要在深圳舉辦，我發(fā)現(xiàn)參加的會議和認識的人都非常有趣。我認識很多中國學者，像沈定剛、周少華、李純明、香港科技大學的Albert Chung等幾位教授，他們一直在從事這方面的工作。
另外，我現(xiàn)在的9個研究生中有6個是中國學生，他們來自中國不同的大學。所以，我很喜歡到他們最初接受教育的地方看看，我認為這是我來到中國來的主要原因。
雷鋒網(wǎng)：您是MICCAI的創(chuàng)始人，能不能談一談當時MICCAI成立的原因和過程？
James Duncan：最初，MICCAI是在1998年由三個小會議CVRMed、VBC、MRCAS組成的。MICCAI是計算機影像處理計算（MIC）以及計算機輔助介入（CAI）兩個領域的綜合性會議。 2004年時，MICCAI Society正式成立。
MIC中包含的課題包括配準、機器學習、圖像分割、傳統(tǒng)CAD（計算機輔助檢測）以及臨床和生物學應用。CAI集中在介入部分，包括追蹤和導航、介入式影像、醫(yī)用機器人等等。
在MICCAI成立之前的幾年里，我一直在計算機視覺領域工作，同時也參加了CVPR、ICCV等會議。每年有這么多的會議，每個會議有數(shù)百人參加。但實際上，我們的規(guī)模并不大，而且很多話題都是交叉的。
所以，1997年的時候，我們8、9個人就組成了一個小組，參與了MICCAI的籌備工作。我們認為，需要把上面說的這三個會議進行合并。圍繞合并之后“該叫什么名字”這件事，我們也討論了很久，“吵了不少的架”。
第一年，MICCAI在麻省理工學院舉辦。事情就是這樣發(fā)展的，所以我很幸運能夠參與到早期的討論中。
雷鋒網(wǎng)：經(jīng)歷20多年的發(fā)展，MICCAI讓您印象深刻的變化有哪些？
James Duncan：我認為有兩點，科研成果的豐富和組織結構的變革。
組織結構方面。在這二十年里，一件好的事情是，參會者習慣了我們把會議整合起來的方式。但MICCAI只是一個會議，我們需要把它延續(xù)傳遞下去。
我們設立了MICCAI Society，這樣它就有了一個“領導機構”，可以讓MICCAI一直運轉(zhuǎn)下去。而且，在MICCAI Society成立之初，我們就決定，這個“領導機構”不是一成不變的。我們會進行輪換選舉，讓更多的年輕人參與進來。
現(xiàn)在，我們在組織輪換上做得很好。10月在深圳舉辦的這次會議，將會是有史以來最大的一次會議，包括設置了更多的領域主席，所以我認為這一切都很好。
在科學研究方面，MICCAI 2019帶來了很多亮點。這次會議上，很多新增的單元都是第一次被提出來。我記得一開始是在德國提出（新增單元）這個想法，因為很多早期的圖像分類和配準的工作都在那邊進行。
但是，在過去的三年里，深度學習基本“占領”了MICCAI的主要議題。所以在科研層面，我們看到了這種轉(zhuǎn)變。
我認為MIC和CAI仍然是一個很好的組合，我們有時會努力確保MIC在CAI部分的應用比重。截止目前，我們還能很好的保持平衡。
所以，結合上面所說的，我認為，科研層面的發(fā)展和組織結構的發(fā)展給我留下了深刻的印象。你知道，我是《Medical Image Analysis》期刊的主編，這個期刊也一直和MICCAI保持著很好的聯(lián)系。我認為這是一件好事。
雷鋒網(wǎng)：作為MICCAI學會的Fellow，能不能談談MICCAI 2019大會主席和舉辦地的決定過程
James Duncan：MICCAI理事會全程負責MICCAI申辦的過程。MICCAI每年在美洲、歐洲、亞洲三地輪流舉辦。MICCAI的理事會成員里，通常有投票權的13-15人左右，由他們來推選會議地點。
當然，會有很多的團隊來競選。一開始，會議的舉辦地點在北美和歐洲之間輪換，當然我們?nèi)ミ^東京幾次。
從3、4年前開始，不同的團隊就要花很長時間進行調(diào)查，例如預算成本、場地和團隊成員。他們要把這個提交給MICCAI理事會，理事會里有一個主席和不同的成員。他們需要討論每一項提案，并作為一個小組對其進行表決。誰贏得最后的投票結果，誰就當選。
沈定剛教授被選為MICCAI 2019的大會主席時，我不太清楚那個時候我在不在理事會里，因為那已是3、4年前的事情了。
雷鋒網(wǎng)：MICCAI的Fellow和理事會成員是一回事兒嗎？
James Duncan：這是兩個完全不同的概念。MICCAI理事會成員是由MICCAI參會者選出的，只有12到13個人。
而MICCAI Fellow和這個組織沒有任何關系，它是關于科學成就和對MICCAI的貢獻。在我概念里，現(xiàn)在大約有25個人。當我還是MICCAI主席的時候，我們選了10到12個人來推動這個選舉過程。
從那之后，每年都有兩到三個Fellow是從Community里選出來。老實說，我不知道今年誰當選。這是一種榮譽，MICCAI理事會成員的意見都會被考慮到。
還有一件事，在每次MICCAI會議上，都有專門為年輕人設置的獎項。
此外，每年還會頒發(fā)一個“持久影響力獎”，幾年前我拿到了。所以今年會有一個新的人選，目前大概有10到11個人。Terry Peters是今年MICCAI 2019的程序主席，他獲得了“持久影響獎”，他也是MICCAI里的一名Fellow。
雷鋒網(wǎng)：作為MICCAI創(chuàng)始人，您期待未來MICCAI發(fā)展成一個什么樣的組織？
James Duncan：我認為今年將有1500人或更多的人參加（實際上，今年的參會人數(shù)會達到2000人）。在未來的幾年里它會繼續(xù)增長。
也許在秘魯?shù)饶厦乐迖?，人?shù)不會像在深圳這樣多。但幾年之后，我想它回到歐洲和美國，參會人數(shù)會增長到2000人左右。
我希望并認為會有更多的產(chǎn)業(yè)界認識出現(xiàn)。我們想讓更多的臨床人員參與進來，但這似乎很難，因為這個會議還是一個“技術型”的會議。同時，會有越來越多的比賽和研討會，我認為這是一個很好的現(xiàn)象。
我也希望，要在良好的應用工作中保持平衡，同時也至少在理論和應用方式上保持平衡。就像我們剛剛討論的如何理解算法以及設計的原則是什么、是否有潛在的數(shù)學問題。
所以，我認為這種平衡在未來的應用和基礎研究中保持下去，但同時也要兼顧算法的理解和解釋能力。
雷鋒網(wǎng)：您最近的研究內(nèi)容是什么？能不能談談您的團隊和最近的學術成果
James Duncan：在我自己的研究小組里，有9到10名的電氣工程或生物醫(yī)學工程方面的博士生，還有兩三個來自類似領域的博士后。
我有5個國家國立衛(wèi)生研究院（NIH）的資助項目，這幾個項目都是圍繞圖像分析和機器學習、深度學習。我們做了四到五件不同的事情。
一個是通過fMRI了解大腦中的功能網(wǎng)絡和休息狀態(tài)，試圖研究大腦的哪些區(qū)域影響自閉癥，以及哪些是預測治療反應的好方法，比如認知療法。過去，我們一直用潛在變量方法來估計。
現(xiàn)在我們正在研究將整個時間信號與放入自動編碼的LSTM模塊進行組合，然后嘗試通過阻止網(wǎng)絡的各個部分并查看哪個部分的影響最大。這是第一部分的研究內(nèi)容，我有兩三個來自浙江大學的中國學生（在做這件事情）。
第二個項目是，我已經(jīng)做了很長時間的超聲心臟運動和變形分析。因此，我們在嘗試評估心臟跳動的情況、心肌勞損的程度，然后查看休息和壓力圖像來發(fā)現(xiàn)變化，并將發(fā)現(xiàn)的結論用于指導治療。
我們利用經(jīng)典的生物力學模型來插值不同來源的位移?，F(xiàn)在我們用的是半監(jiān)督的方式，一種偽自動編碼器來獲取合成數(shù)據(jù)并用它來指導體內(nèi)數(shù)據(jù)。
第三個是關于肝癌的項目。使用多模態(tài)MR獲取多個圖像，比如DCE和解剖圖像。我們開始使用隨機森林做組織分類，來發(fā)現(xiàn)腫瘤壞死、正常的薄壁組織以及將血管與腫瘤進行分離。
在進行治療后，我們觀察區(qū)段和組織分類區(qū)域中的這些相同參數(shù)以預測癌癥治療的結果。其中一部分正致力于將高分辨率MR光譜與兩次采集相結合，并利用不同神經(jīng)網(wǎng)絡架構的思路來提高空間分辨率。
最后兩部分工作，我做了一些顯微鏡方面的工作，比如嘗試使用亞細胞粒子跟蹤，以及通過超聲波和CT數(shù)據(jù)來觀察心臟瓣膜。
雷鋒網(wǎng)：學術研究成果是否有在產(chǎn)業(yè)界落地的案例？
James Duncan：是的，這么多年來我們與西門子研究公司和飛利浦公司在劍橋和荷蘭有非常緊密的合作。
西門子資助了我的一些學生，我想他們看了我們發(fā)表的關于多維形狀估計的文章，還有利用不同維度的數(shù)據(jù)進行預測分析的文章。但是他們在另一個不同的應用中使用了它。我們用它來分割心臟，而他們用來進行有價值的定位，這是一種合作，是學術研究應用到產(chǎn)業(yè)中的一個例子。
另外，也有一個飛利浦的員工在耶魯工作，我們做了一些研究，尤其是肝癌的研究。一些簡單的算法被集成到他們的研究方法中，現(xiàn)在我們打算在肝臟的分類上一些更有趣的事情。
現(xiàn)在我們和一個做PACS的公司Visage有了新的合作。他們做醫(yī)學圖像、檔案和通訊方面的工作。所以我們正在研究和他們一起建立數(shù)據(jù)庫，他們的一名員工也入駐在我們這里。
雷鋒網(wǎng)：您覺得，在醫(yī)學圖像分析領域，中美兩地的科研狀況有哪些不同？
James Duncan：哈，這是個很難回答的問題。我認為在過去，中國的科研狀況是“task driven ”（任務驅(qū)動型），而且在應用開發(fā)上做的非常好，成為了一個非常好的競爭者。在美國也是如此，我不認為在某些地方有什么不同。
我認為在很多情況下，一些中國團隊正在做非常實際的工作，把這個想法加以改進，使它變得更好，并贏得比賽。
但在某些情況下，中國缺少的是，一些美國團隊里堅持的一些基本原則，比如我尊敬的一些賓夕法尼亞大學和霍普金斯大學、麻省理工學院的學者。這些學術團隊是為了確保有一個基本的新思想。他們會借鑒該領域的一些經(jīng)驗，但他們想做的，是試圖顛覆既有的模式。
我認為，尤其是像沈定剛教授等人在中美兩國之間起到了一個橋梁的作用，我們也開始在中國的研究工作中看到了研究模式的改變。
所以，學術研究和應用落地不是完全分開的。但是在美國，我們討論更多的是對事物的基本解釋。
我認為，現(xiàn)在這一切都結合在了一起。但是，過去曾經(jīng)有過很明顯的界限，現(xiàn)在并不像過去那樣分的那么清楚。
雷鋒網(wǎng)：舉一個例子，就是中國的移動支付，之前英國帝國理工學院的郭毅可教授也提到，這不是一項基礎研究的創(chuàng)新，而是應用模式的創(chuàng)新。在我看來，中國人可能擅長把研究成果應用到各個垂直領域里。
James Duncan：是的，也許在某些情況下，中國人會比美國人做得更好。我認為，學術研究和應用落地并不是完全分開的。我的意思是，美國也有這樣的組織做這樣的事情。
但是對于學術研究人員，你必須有創(chuàng)新的內(nèi)容才能從NIH或NSF獲得研究資金。我不知道中國的資助情況，但是同行評審的力量促使我們在工業(yè)上得到應用，這是另一回事。你需要和行業(yè)進行聯(lián)系，他們可能有也可能沒有同行評審。
我認為你說的是正確的。但我的觀點是，在美國學術界進行基礎研究是一種真正的動力，它提供了一些基礎研究，但不是所有的研究都必須應用。
它需要一個好的應用場景來“激勵”。但是，它本身必須是具備創(chuàng)新性的。它或許要有一個可以參考的應用“模板”，如果它還具有廣泛的應用基礎，那就更好了。
在中國，很多擅長應用落地的團隊也在思考一些基本的想法，但是他們似乎非常熱衷于解決問題。當然，我不知道更多具體的情況，只是從過往的經(jīng)歷里來表達觀點，這是我在某些地方看到的。
我并不是說，在美國沒有人關心成果的應用落地，但總的來說，（學術研究和行業(yè)應用）在美國、歐洲也許是有些分離，但不是完全割裂的。
雷鋒網(wǎng)：在我個人看來，在計算機視覺、語音識別、NLP等泛AI領域，中國學術界在國際上的影響力已經(jīng)非常大了。但在更為細分的醫(yī)學圖像分析領域，中國的學術影響力似乎還不夠。您是否認同我所說的這一現(xiàn)象？我們在哪些地方欠缺，該如何提升？
James Duncan：我沒有參加足夠多的計算機視覺會議，所以也不太了解最近發(fā)生了什么。但是可以看到，像微軟中國這樣的公司在計算機視覺領域產(chǎn)生了很大的影響。在學術上，中國似乎并不落后，中國的很多學者也都參與到這些領域的研究中來。
你的說法也許是正確的。我的意思是，中國大學里擔任國際會議領導職位的學者可能會很少，但這是一個可以改變的現(xiàn)象，而且這些事情也將開始改變。
例如，今年MICCAI在深圳舉辦，有沈定剛教授和其他當?shù)亟M織者參與，其中一些人需要長期參與其中，我希望他們在未來幾年都能參與到其中。
他們應該爭取讓MICCAI這樣的會議在中國不同的地方舉辦。我也開始看到這樣的一些建議，因為我看到有一些新的中國面孔出現(xiàn)。他們需要進行很好的研究工作，我認為他們做的越來越好。
作為《Medical Image Analysis》期刊的主編，我看到了很多來自中國在醫(yī)學圖像分析方面的論文，而且越來越多的論文被接收了，所以這意味著工作越來越好。
（James Duncan教授在ISICDM 2019的海報展示區(qū)與作者交流）
中國的學者要有一個廣闊的視野，不僅要看到中國在這個領域的想法，也要放眼世界，看所有在這個領域鉆研的學者們都在思考什么問題。這件事情會更好地促進他們參與到領導職位的競爭中來。
當然，沒有一個國家應該主導MICCAI這樣的國際組織。你的說法是對的，我不認識中國的每一位學者，但是我認為（更多的中國學者在國際舞臺上產(chǎn)生更大的影響力）這件事正在發(fā)生，我提到的李純明等人，需要繼續(xù)在頂級的雜志和會議上發(fā)出自己的聲音。
雷鋒網(wǎng)：您認為，3年左右的時間之后，在醫(yī)學圖像分析領域，深度學習和數(shù)學建模方法，哪個會成為主流？或者，會以什么狀態(tài)存在？
James Duncan：我認為兩者需要一種聯(lián)系和整合。我希望這就是將要發(fā)生的。
深度學習將繼續(xù)存在，并將得到應用，我覺得它將繼續(xù)增長。但是，需要有更多的工作來真正理解和解釋，以及完善設計原則，比如如何使這些網(wǎng)絡更加具有魯棒性，解釋不同的層級在做什么，并嘗試用實驗的術語以及一些分析、數(shù)學的術語來進行解釋工作。
也許醫(yī)學影像分析領域會被實驗中的應用所推動，而深度學習將在其中扮演重要角色。但在一些數(shù)據(jù)量較小的領域，我認為以往的數(shù)學建模方法將發(fā)揮作用。
以前數(shù)學建模的方式，會提煉規(guī)律、模擬解析、實驗檢驗、修正模型。數(shù)學模型具有很好的特征表達能力，能夠理解網(wǎng)絡中的每一層在做什么以及為什么，然后理解它們對問題的最終結果意味著什么。
所以，兩種方式會此消彼長，兩者的發(fā)展都有空間。我們會看到更多結合的案例出現(xiàn)，數(shù)學也會在其中發(fā)揮作用，例如統(tǒng)計數(shù)據(jù)以及扁平化實驗。
所以我認為，通過在深度學習和神經(jīng)網(wǎng)絡架構的設計中繼續(xù)發(fā)展新思路，深度學習和傳統(tǒng)建模方法的結合會成為下一個前沿的研究方向，兩者的結合會獲得更好的理解和解釋能力。
與此同時，也需要一些研究團隊繼續(xù)努力，去繼續(xù)探索到底會發(fā)生什么。我覺得我們需要它（數(shù)學建模），它就像水晶球一樣透明，這就是我的想法和希望。
雷鋒網(wǎng)：過去三年，中國涌現(xiàn)了很多醫(yī)療AI創(chuàng)業(yè)公司，他們在很多醫(yī)院部署了自己的人工智能產(chǎn)品。但是今年以來，這些公司變得越來越“冷靜”，不像前幾年那樣火熱異常，您認為這是一件好事嗎？
James Duncan：是的，我覺得很好。如果讓一個系統(tǒng)去檢測一個腫瘤，解釋它是良性的還是惡性的，就像放射科醫(yī)生現(xiàn)在做的那樣。我相信這是能夠做到的。我認為一些中國公司正在這樣做，這將有助于臨床醫(yī)學。
但是要了解一些復雜的疾病并將患者置于一個統(tǒng)計范圍內(nèi)，看他們是否會對治療產(chǎn)生反應。這是不可能的，而且永遠也不會實現(xiàn)。
所以在臨床工作流程中替換某些東西，就像你說的，我認為會取得成功。我認為深度學習將發(fā)揮重要作用。
但是，在某種程度上，當醫(yī)生在臨床使用它的時候，如果它開始出現(xiàn)故障，給出錯誤的答案或一些新的東西，醫(yī)生們會開始責怪機器，就像患者責怪醫(yī)生一樣。
我知道這正在發(fā)生，我相信這在中國是可以做到的。這些創(chuàng)業(yè)公司都在嘗試這樣做，我認為他們會成功的。
在中國的醫(yī)療系統(tǒng)里，監(jiān)管部門有更多的數(shù)據(jù)控制權。你們真的可以，讓數(shù)據(jù)管理不那么難。在美國，有太多的參與者是保險公司、私人醫(yī)院和公立醫(yī)院。對于這些算法開發(fā)者來說，美國的這種情況可能更具有挑戰(zhàn)性。
雷鋒網(wǎng)：對當前的年輕學者，您有哪些經(jīng)驗想跟大家分享？
James Duncan：這是個好問題，從我個人的經(jīng)歷而言，一開始我是在航空航天領域工作，我們?nèi)シ治鲂l(wèi)星圖像，幫助飛機進行導航，以及諸如此類的事情。
所以，我想對年輕研究人員說的一件事是，學習是件好事，你需要同時具有廣度和深度。真正深入思考，并立志做出一些貢獻，要相信自己的創(chuàng)意和直覺，敢于和教授們爭論，然后把想法分享給大家，讓他們批評，這樣你才能真正擁有一些東西。
實際上，如果能把這種品質(zhì)帶到醫(yī)學圖像分析中，那就太好了。
與此同時，你也需要抬起頭來看看周圍發(fā)生了什么。從那時起，我參加了各種會議，比如CVPR 、ICCV，有了這些背景知識，在醫(yī)學界工作對我有好處。
你可能會說，天哪，原來其他領域也都做了這些事情。你可能知道，有些人在研究人臉識別問題、無人駕駛、天文學和其他類似的問題，有很多想法可以應用到醫(yī)學成像領域。也許不完全一樣，但在某種程度上是相關的。
這些經(jīng)歷會給你一個好的思維，幫助你如何思考下一件事。對我來說，我很高興能在航空航天等成像領域工作。
所以，我認為你必須廣度和深度兼具，理解一些你真正想做的事情。
你知道我從中國學生身上看到了什么嗎？我知道你們在本科學習中得到了很多。如果你在中國讀博士，你想要有深度，這應該是件好事。但是你需要博覽眾長。所以，在早期，腦海里就思索一個問題，相信你的直覺，確保你有在你的領域之外的背景，這三件事情是我對青年學者的建議。
雷鋒網(wǎng)：是的，沈定剛教授有一個和您類似的觀點，讓我印象很深。他把求學比作是爬山，等爬到半山腰時，老師應該教導學生，讓他們多環(huán)顧周圍的世界。
James Duncan：是的，我喜歡這個比喻。一個學生如果能接觸到不同的領域，他可能會變得不同。
教授帶領學生找到了一條上山的小路。但當他們到了那里，他們環(huán)顧四周，看看周圍的景色，看看發(fā)生了什么，這很好。然后，你仍然需要在這條狹窄的路前進，才能走到更高的山上。
也許這會是一個新的中國諺語。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
本專題其他文章
