0
雷鋒網按：近日，第四屆嶺南眼科論壇暨第二屆全國眼科人工智能大會在廣州白云賓館召開。
大會由廣東省醫師協會眼科分會、中國醫藥教育協會智能醫學專委全國智能眼科學組主辦，中山大學中山眼科中心、廣東省醫師協會眼科醫師分會青年委員會、廣東省眼科診斷與治療創新工程技術研究中心承辦。
本屆大會以“Eye+AI”為主題，共設置70多個大會報告，內容涵蓋眼角膜病、白內障、青光眼、眼底病、視光學、以及人工智能、生物大數據、新型成像技術在眼科的新進展等諸多熱點研究領域，邀請來自海內外知名眼科專家及人工智能領域的知名學者，旨在全方位解讀眼科專業診療技術最新發展趨勢，分享眼科與人工智能結合的研究成果，探討“Eye+AI“的未來發展方向。
主論壇前一天，12位嘉賓從AI技術與眼科實踐出發，分別做了大會報告。第一環節由中科院計算所趙地、山西省眼科醫院張光華、湖州師范學院吳茂念擔任主持。
同濟大學附屬同濟醫院畢燕龍
大會開始，同濟大學附屬同濟醫院眼科主任畢燕龍做了開場報告《深度學習引領人工智能技術在眼科學領域的發展》。
畢燕龍分別從醫學人工智能白皮書要點、融合深度學習的人工智能技術、深度學習技術在眼科學中的應用、深度學習技術在眼科學應用中潛在的挑戰展開講述。
畢燕龍談到，隨著AI技術的發展，它將為診前、診中、診后全流程賦能。
如在診前端，AI可進行預防、篩查、分診；診中端，可進行臨床診斷、醫技、臨床治療、住院；診后端，可實現康復護理、愈后關懷，提升服務質量、節約醫療成本、高效醫院運營管理、實現醫療服務線上線下一體化、醫師培訓、教學。
隨后，他指出，臨床輔助決策系統未來在基層醫院與三甲醫院應用前景廣泛，在基層醫院，AI輔助診斷能夠減少醫生的誤診漏診情況，提升醫生診斷水平。而對于三級醫院，AI可通過數據反饋推動診斷更規范合理，提升醫生效率。
畢燕龍也談到，雖然深度學習可應用在糖網病、早產兒視網膜病變、年齡相關性的黃斑變性、黃斑部疾病、青光眼等疾病當中。但它也存在著諸多潛在挑戰，如訓練數據集的確定、有效性以及測試數據集、結果的可解釋性以及深度學習的臨床部署等問題。
最后，畢燕龍總結到，在眼科領域，深度學習技術已經應用于多種眼疾的檢測，尤其對于常見眼底疾病的彩照和OCT評估。
未來研究的關鍵在于評價不同的深度學習系統的臨床部署方案以及成本效益，如能匯集各方力量，優勢互補，資源共享，統一監管將更快速促進AI醫學的發展，盡管未來仍舊有許多挑戰，但深度學習極大可能在十年內影響眼科學界，乃至整個醫療界。
湖州師范學院楊衛華
第二位嘉賓是湖州師范學院人工智能重點實驗室主任楊衛華，他發表了題為《智能眼科數據庫建設與設想》的報告。
楊衛華介紹到，眼科數據主要有三大特點：數據量大；數據結構化、規范化；數據種類豐富。
但當前眼科數據也存在著一定的問題，如己標注數據量不大、數據質量不高、數據缺乏統一標準（質量標準、標準標準等）。
除此之外，他認為現有的眼科數據庫主要存在三大問題：
數據種類、形式較單一，多為圖片形式
數據量較小，數據孤島，無法展現大數據優勢
數據標注準確性有待商榷，缺乏必要的特征關聯信息
而要想建立適合當前和未來人工智能研究的眼科數據庫-特征信息關聯的智能眼科數據庫及管理系統，所需要的眼科數據特點包括：
1.數據形式豐富，包括但不限于圖片、文本、語音、視頻
2.數據置較大，數據種類豐富，包括DR、白內障、青光眼等
3.數據標注結果基本準確（標注人員經過培訓，標注規范）
4.數據之間存在一定關聯（如同一個患者的檢查圖片和文本）
針對這類數據庫，則需要以下思路流程進行構建：智能眼科數據庫（數據量大、病種齊全、區域性廣）——數據標注（多名專家標注并引入專家信任度）——智能眼科知識庫（增加眼科診斷知識的關聯關系及推理）。
最后，楊衛華介紹到了智能眼科數據庫其分別可以應用于數據標注研究、眼科培訓系統、人工智能算法訓練集及驗證集、人工智能系統測試（標準化測試集）、人工智評價系統、眼科疾病關聯信息及知識圖譜和知識庫構建，以及多模態數據應用開發。
南京航空航天大學萬程
隨后，南京航空航天大學電子信息工程學院萬程教授發表演講《基于深度學習的圖像增強》。
萬程分別講述了DR眼底圖像生成方法、DR眼底圖像病灶點檢測、血管分割cGAN和圖像增強Cycle GAN。
其中，文本至圖像的DR眼底圖像增強生成方法流程為：文本特征表示（以LSTM對文本描述進行編碼）——血管圖下采樣（輸入血管圖像經過一系列卷積層下采樣降低維度）——深度拼接（文本編碼向量與血管下采樣特征圖在深度上進行拼接）——上采樣（拼接后的特征圖經過一系列反卷積層上采樣得到生成圖像）。
緊接著，萬程詳細介紹了血管分割cGAN的網絡框架，其框架生成器的主網絡生成眼底圖像對應的血管數據，對應的子網絡生成局部的血管（細節豐富）。之后網絡分割的血管和標簽分別與原圖組成一個圖像對，對多個判別網絡進行訓練，通過判別網絡生成的類別信息更新生成網絡。在這過程中，通過引入殘差模塊可提高模型性能，增加多尺度結構可提高校血管分割效果，而改進判別器網絡結構可提高模型的判斷能力。
而至于圖像增強算法，主要分為三大類，分別為數據域方法（圖像域算法：直方圖均衡化、自適應伽瑪校正；變化域算法：傅里葉變換、小波變換）、恢復模型方法（目標域參數估計：去霧、增強水下圖像，如暗通道先驗方法）和基于學習的方法（超分別：SRCNN、SRGAN；去霧：Cycle-Dehaze 0）。
最后，萬程對Cycle GAN眼底圖像增強模型結構圖進行深入解讀。
她指出，FakeB要盡可能地蒙騙判別，使增強后的圖像更接近真實數據集B增強后的圖像要求其基本結構不改變，重構的CycA應和A盡可能地相似。
北京理工大學李慧琦
緊接著，北京理工大學信息與電子學院教授李慧琦發表演講《眼底圖像處理-先驗知識與數據驅動》。
“先驗知識模型+機器學習”與“數據驅動的深度學習“孰優孰劣，一直以來都是醫學AI研究中的熱門爭論議題。
針對這一問題，李慧琦通過系列的研究案例，對兩種模式的效果進行對比。具體的分類任務和分類算法分別為：
一、圖像分類任務
1.白內障篩查：二分類（0級、其他）
2.模糊度分級：模糊程度四分類（0級、1級、2級、3級）
二、圖像分類算法
1.基于數據驅動（無先驗特征提取）
2.基于先驗特征：局域特征、全局特征。
經過一系列分析后，通過最終結果，李慧琦團隊發現，無先驗特征算法適合簡單分類任務（如白內障檢測二分類）；而先驗特征在復雜分類任務中起到更重要的作用。
基于數據驅動算法分類結果，與現有算法比較：
無先驗特征算法適合簡單分類任務（如白內障二分類）
無先驗特征算法實現復雜分類任務效果有待提高
ResNet區分1級與2級模糊圖像能力較低
而基于先驗特征的眼底圖像模糊度自動分級算法，其先驗特征為基于醫學背景知識，提取圖像特征，該方法的目的則是提取先驗特征，并設計特征分類器，從而實現模糊度的自動分級。
先驗特征算法分類，其各種分類器，結合特征的分類結果多好于的那一模型特征；提出的EDST-MLP與DST-MLP分類器則優于其他分類器；基于先驗特征的分類器方法適合復雜分類任務，若基于先驗特征，淺層小規模神經網絡擁有足夠的表征能力，用來獲得最佳分類結果。
隨后，她得出結論：
l 簡單的分類任務（如二分類），可用數據驅動類算法；
l 復雜的分類任務（如四分類），先驗知識作用重要；
l 基于先驗特征，淺層的小規模神經網絡即可；
l 基于先驗特征，結合不同類型特征的分類準確率高于單一類型的特征；
l 提出的 DST-ResNet與EDST-MLP算法分別在白內障檢測與模糊程度分級任務中取得了現有算法的最高準確率；
最后，李慧琦概括了自己對人工智能另一種理解：人工智能中的“人工“指的是數據標注和參數調試，而智能則是先驗知識（醫工融合）+數據驅動。
福州大學余輪
第四位演講嘉賓為福州大學生物與健康工程研究所院長余輪教授，發表了演講 《遠程眼底篩查中的質量控制體系與人工智能分析》。
演講開始，余輪談到IDx-DR的獲批對整個醫療AI行業意義重大，FDA曾表示，同樣是糖網篩查，IDx與醫生合作的模式非常優秀，他們嘗試與醫生聯手解決各種問題，而Google的模式總是不斷與醫生進行PK。相比而言，他更加推崇IDx-DR模式。
“其實，Google及國內許多AI企業的糖網篩查背后的技術原理是一個“深度神經網絡黑盒子”，他們的產品更多只能檢測中晚期DR，但難以檢測DR的早期輕度病變，而對于嚴重DR、黃斑性病變、治療方案等情況無法給予臨床實際指導。”
隨后，余輪談到了AI-DR的標注問題，他介紹大，DNN有一大缺點逐漸變得越來越突顯，即訓練過程中需要消耗大量人類標注樣本，而這對于小樣本應用領域是難以做到的。但隨著近幾年深度學習研究和應用的深入，減少人類標注的方法得到普遍重視。
最后，余輪談到行業為什么需要全流程的質量控制體。
他分別談到四點，眼底圖像的可用性是遠程DR篩查的重要保證；無論醫生或AI，高質量的圖片是早期診斷輕度近視視網膜病變的重要保證；實時、持續、全流程的篩查質量控制體系和患者的隱私保護技術，讓系統運行更加安全可靠；專利保護下獨到的AI質控體系和25年遠程判讀會診中心建設經驗，面對海量市場，遠程篩查市場并發規模和技術優勢大。
南方科技大學唐曉穎
第一環節最后，南方科技大學助理教授唐曉穎發表了演講《基于眼底彩照的糖尿病視網膜病變病灶檢測》 。
演講初始，唐曉穎便提出一個問題，為什么當前整個行業非常需要做一個自動病變篩查系統？
因為檢測一些微小的病變如小動脈瘤即便對于高級醫師來說也是一項巨大挑戰
在這種情況下，如果采用自動的算法，往往會達到一個非常優秀的效果。
唐曉穎談到， 病變檢測可以看作是一種目標檢測的方法，而目標檢測則離不開深度學習。高質量的大數據則是深度學習解決醫學問題過程中最關鍵的要素之一，然而在病變檢測和分割的任務里，高質量的大數據卻很難獲取。
以眼底病變為例，如果做像素級的分割，眼底圖像中的每一個有病變的像素，都需要手工進行標注，耗時耗力。
針對這個問題，唐曉穎團隊和中山眼科中心團隊進行了深入探討：如果為每張圖像進行像素級標注，單一張圖像就至少需要六個小時。那么如何在保證減少醫生標注時間的情況下，同時能得到更多高質量數據？這便是他們研究的重點。
為此，唐曉穎團隊聯合中山眼科中心采取了一種折中的方案，在其中一個項目中，他們主要關注出血、滲出和微動脈瘤三種病變，在這過程中，他們在想與其讓醫生去做像素級的分割，不如先降低綜合人力成本和時間成本，讓醫生用非像素級的圓圈盡量把病變的區域框出來，首先這一流程是原本像素級分割耗時的六分之一。出血，團隊標注了590張數據集，滲出是600張，微動脈瘤296張。
當然，粗略的分割雖然便捷，但精度相對有限。其次，某一些病變，醫生在標注的時候，仍然會有很多漏標以及錯標的問題。常規方法是醫生，對有問題的數據再進行精細化標注，但這件事仍舊非常耗時。
所以唐曉穎團隊提出一種方法，先用自動的算法對數據進行重建和圖像增強等預處理，然后把數據輸入至深度學習模型，去做病變檢測。這過程中，也采用了目標檢測中的經典CNN網絡進行檢測，這一方法總共分為四步，第一步是人為的進行生成數據，然后對于預處理，他們采用了CLAHE Preprocessing，去增加病變的對比度，然后會在數據中訓練一個邊框回歸，將邊框回歸網絡應用于實際的粗注釋數據集，實現細化標注。
在本日議程的下半環節，6位專家學者發表了精彩報告。論壇由浙江省第一醫院韓偉、海軍軍醫大學附屬長海醫院彭亞軍、南昌大學第一附屬醫院邵毅主持。
溫州醫科大附屬眼視光中心黃錦海
首先，溫州醫科大附屬眼視光中心主治醫師黃錦海發表了演講《精準眼科生物測量》
他談到，由于眼的特殊性，診療過程中其更依賴大量的儀器設備輔助，儀器設備的研發迭代也往往非常的迅速。
眼科臨床的診斷，離不開詳盡的眼球生物結構測量，因其直接關系到臨床診斷、治療評估和病情隨訪，以及實驗的敏感性、特異性、可重復性、陽性與陰性結果的理解等。所以眼球生物結構的精準測量是根基，假如沒有精準的測量、計量和標定，未來的眼科AI也很難大規模推動。
無論是眼前節圖像、眼后節圖像、眼屈光成像質量客觀分析系統還是主觀或心理物理學評價方法以及功能檢查類儀器，總體而言，目前大量的檢查還是集中在后節上。
黃錦海指出一大現象，對于圖像處理的問題，很多時候，研究團隊設計的算法，可能僅針對某款設備適用，卻對于其他設備并不一定兼容，這背后有系統誤差和隨機誤差。假如兩個設備之間存在隨機誤差，則很難做到良好的兼容，AI也難以進行正確的判斷。
2013年，黃錦海團隊也在JAMA上發表了一篇綜述評論，他們認為現有的眼壓測量技術存在一定局限的。
最后，黃錦海總結到，當前的角膜厚度的測量技術非常多，包括內皮鏡、光學低相干衍射儀、光學低相干放射儀、裂隙掃描角膜地形圖、OCT和旋轉Scheimpflug等技術。
他更加推薦采用Scheimpfug原理的Pentacam和Sirius，以及傅里葉域OCT作為常規測量設備，這些技術能夠提高重復性和再現性的測量結果，這其中，OTC的結果略小于Pentacam和Sirius。在臨床使用中，Pentacam和Sirius在中央角膜厚度的測量結果可互相使用，而周邊厚度差異較大，建議采用相同的設備進行測量和隨訪。
利用OCT進行眼后節參數測量時，單個儀器重復性良好，可以提供精準測量結果，各個儀器的掃描原理不同和圖片清晰度不一致等原因，不同原理之間往往結果的一致性顯示較差，再臨床中往往難以互相替換使用，OCTA進行眼底血管成像時，分析單個儀器的測量結果更加可靠。
香港中文大學張艷蕾
本環節的第二位演講嘉賓為香港中文大學眼科與視覺科學系助理教授張艷蕾，她發表了演講《Detection of Glaucomatous Optic Neuropathy with Spectral-domain Optical Coherence Tomography: A Retrospective Training and Validation Deep Learning Analysis》
演講開始，張艷蕾談到了青光眼的診療現狀，隨后她重點介紹了譜域光學相干層析掃描（SD-OCT），首先傳統的SD-OCT視網膜圖像分析存在以下局限：
1. 手動分割會引起分割誤差，影響檢測的準確性
2. 其他因素可能影響基于內置不規范數據庫的RNFL厚度
3.仍需要有經驗的青光眼專家進行人工解釋
而以往研究則主要存在以下局限性，在三維體積數據中沒有使用來自其他視網膜層或更深的視覺神經的結構與GON-related 特征未參照相應的功能變化進行地面真值標注。與此同時，也仍然依賴于SDOCT自動分割生成的指標(如RNFL厚度和視網膜邊緣神經)。
針對上述問題，張艷蕾團隊進行了一種新的嘗試，利用三維SD-OCT進行GON檢測。
上海市靜安區市北醫院陳吉利
隨后，上海市靜安區市北醫院眼科主任陳吉利發表演講 《基于人工智能技術的社區糖尿病視網膜病變篩查》。
陳吉利談到，眼底檢查潛在的需求遠遠不能滿足臨床，首先是中國眼科醫生非常缺乏，二、三級醫院眼科醫生的負擔很重。其次，基層醫院也缺乏眼科培訓和指導。
而人工智能則是解決基層醫院眼底檢查的利器，AI主要用于智能閱片，如常見的眼部疾病輔助診斷：糖尿病性視網膜病變、青光眼、白內障、黃斑病變的檢查和篩查，次要用于搭建遠程醫療系統，構建高質量眼科診療平臺。
隨后，陳吉利介紹了上海靜安北部醫共體糖網人工智能篩查建設項目，其研究方法流程為：醫共體就診的MD患者——詳盡告知，簽署同意書——MD患者眼科數據收集——人工讀片結果1與AI讀片結果2——分析AI讀片的名感性、特異性——對患者下一步的治療進行指導，完善AI診斷數據及建立數據庫。
根據此項目，陳吉利得出一個結論，AI在檢測DR和RDR方面具有較高的敏感性和特異性，在中國社區醫院使用基于AI的DR篩查模型是可行的，但不足之處則在于無法在二維眼底照片上準確地識別糖尿病性黃斑水腫。
與此同時，他們項目組也取得了一個階段性成果，2019年8月21日參加國家食品藥品監督管理局醫療器械技術評審中心組織的三類醫療器械證創新通道答辯，9月16日公示通過，中國第一款進入CFDA創新通道審批的人工智能診斷軟件獲得批準。
山東省眼科研究所李東芳
本環節第四位嘉賓是山東省眼科研究所李東芳，她為與會者帶來演講《基于深度學習的眼前節OCT圖像角膜組織多病灶自動識別》。
首先，她介紹到了團隊的研究目的，即研究應用深度學習為主的人工智能算法，基于眼前節光學相干斷層掃描（OCT）圖像，對角膜組織的多種病變區域進行自動識別，輔助醫生讀片。
研究方法則是收集了2018年7月至2019年4月于他們院Optovue RTVue100-2拍攝的眼前節OCT圖片1675張，基于整體病灶分布情況，選擇其中1484張圖片作為訓練集進行模型訓練，191張圖片作為測試集來驗證模型性能。
每張圖片經過臨床醫生標注和復核，共標注13類常見的異常病灶征象5237個，包括角膜上皮缺損（8.71%）、角膜上皮增厚（13.25%）、角膜變薄（6.03%）、角膜前凸（6.91%）、角膜增厚（10.65%）、上皮下水泡（6.42%）、上皮下混濁（4.37%）、角膜潰瘍（5.38%）、基質混濁（20.67%）、后彈力層褶皺（4.39%）、角膜后沉積物（6.67%）、LKP術后（1.97%）、PKP術后（4.58%）。
為了定量化評估模型性能，選用準確率、靈敏度、特異度三個評測指標，依據 Youden指數，即靈敏度、特異度之和最大原則，定義各類病灶的不同檢測閾值。
項目過程中，選用了Mask-RCNN深度卷積神經網絡架構作為病灶檢測主體網絡，以ResNet50作為特征提取基礎網絡，結合特征金字塔和注意力機制提取不同尺度的特征表達，經RPR網絡推薦候選區，最終依靠回歸網絡以及分類網絡，優化病灶位置，并判斷候選區域內所包含的病灶類型。
最終，利用191張眼前節OCT影像評估模型檢測準確率，對于13類病灶檢測靈敏度、特異度均達到90%左右或以上。
武漢大學人民醫院肖璇
此后，武漢大學人民醫院眼科中心主任醫師肖璇講述了《AI在基層衛生眼病慢病管理模式中的應用》
肖璇首先介紹到昌江醫療集團（醫聯體）的由來和現狀，隨之引出她們需要通過AI和信息化彌補基層衛生的短板：基層醫生缺少慢病管理能力和所需工具設備，AI和信息化技術就是賦能基層醫生，降低使用工具和設備的門檻，做到“傻瓜式”使用。
如通過視頻坐診+醫生助理從而簡化信息化系統對接問題，其特點為支持多病種，而非僅僅糖網顯示病癥，便于做患者教育和提高信任度，無縫連接FORUM數據分析工具，做好診斷和隨訪數據分析提知識庫便于基層醫生查詢和學習。
AI可輔助慢病如篩查糖網、青光眼、老黃等。具體實現方法，是基于64210張眼底圖像組成訓練，1117張眼底圖驗證集，建立深度學習模型在3210張眼底圖像測試集上測試結果。
她也在演講中談到，通過數據預測昌江實施慢病管理對醫療費用的影響。借鑒上海DR、溫州青光眼“社區篩查+遠程診斷+轉診治療”眼科慢病管理的衛生經濟學擬合模型，來預測昌江。
DR：10年內防止4800起疾病進展，減少229例盲，節省2146萬
青光眼：10年內防止1.4萬起疾病進展，減少336例盲，觀察周期越長費用節省效應越大。
她也補充到，已有研究關注發達地區，但未必適用昌江，國內尚無AMD慢管研究，尚無AI已應用地區成本效益。
衛生經濟學研究表明，眼病知曉率、居民篩查參與度、轉診率和治療依從性等是直接影響慢病管理成敗的關鍵因素，我國慢病防控主要存在知曉率、篩查率、轉診率和隨訪依從性不足等難點。通過模型預測，PACG轉診率每提高10%，可節約費用80萬元，多防止344起進展時間度挽回19名病人。而AI聚焦主要短板，將顯著提升慢病管理成本-效果。
最后，肖璇對未來做出了展望，AI技術奠基的慢管系統，需要抓兩個基本點，其分別是轉診率和隨訪依從性，此外還需探索三個新功能：AI輔助隨訪病程監控、AI慢管師交護士慢病教育和個人助手用藥生活方式管理。
同濟大學附屬上海第十人民醫院高鵬
最后，同濟大學附屬上海第十人民醫院眼科聯合上海市第一婦嬰保健院產科高鵬，做了《從產科病房解放眼科值班醫生—“妊高癥”的人工智能輔助診斷》報告。
高鵬分別講述了妊高癥和相關眼底改變、AI輔助診斷的意義、AI輔助診斷的實現方式、使用價值和應用前景。
其中，他重點介紹了一個眼底彩照檢查的AI臨床研究課題，聯合四大合作單位來展開研究，實現方式首先是眼科醫生按相應標進行特征標注，如二級分支血管動脈和靜水直徑、動靜脈交叉、出血、棉絨斑、硬性滲出、視網膜脫離等特征。
隨后對標注的特征利用卷積神經網絡進行訓練，同時融合多模態的信息如眼底圖片信息和產科醫生錄入的其他信息，對照產科醫生提供的最終診斷，以多模態智能和傳統機器形成算法，計算用來輔功診斷的妊高癥“風險指數”和“診斷概率”，為醫生做參考。
最后再進行測試，這方面的數據，課題組共收集了五百例左右。在測試過程中，眼底診斷：以一定數量的標準測試集，計算靈敏性和準確性。妊高癥診斷的測試是綜合眼底檢查、患者一般信息、病史、癥狀、血壓、血檢驗、尿蛋白及其他輔助檢查，給出妊高癥風險指數和診斷建議，目的是實現對眼底和妊高癥的診斷，從而實現持續改進的閉環，把產科、眼科、AI更好地綁定在一起，從而在一定程度上改變臨床人員的工作模式：使得在產科病房實行眼底檢查更加快捷，對眼底改變的分析可能更為客觀、準確，綜合多因素分析，輔助產科醫生對妊高癥的診斷。
而這個項目的潛在落地場景，主要存在于：
產科專科醫院：非綜合性醫院，無眼科專科醫生配置。
基層醫院：無眼科專科醫生配置或眼科醫生資質不足
遠程診療：遠程會診，獲得高級專業指導
當然，項目也存在著行業常見問題，如訓練集（學習樣本）能否持續獲得；重度妊高癥、視網膜病變樣本量偏少；眼底圖片的標注：工作量和標準化問題。
嶺南眼科論壇大會主席袁進
12個報告結束后，本次大會主席、中山大學中山眼科中心袁進教授進行致辭。
“嶺南眼科論壇已連續舉辦四屆，這四年來，議程的很多內容在變，但有一項是不變的，那就是一直以來我們都在打造一個學科深度交叉融合的論壇。今年論壇首日，我聽到了各位專家的講題從數據庫的建立，到圖像的測量和分析、分割，再到AI在臨床上的各種應用。我想，這就是我們本次學術交流的重要目的：從臨床需求出發，去尋找AI技術的突破點，從而讓兩者有效融合，打造全新的醫療模式。”
注：后續雷鋒網將陸續發布本次大會第二、三日的精彩演講內容和嘉賓專訪，敬請期待。雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
