0
10月13-17日，MICCAI 2019在深圳舉辦，為期5天的大會上，來自世界各地的學者合力奉獻了一場“學術盛宴”。
MICCAI Society 主席Leo Joskowicz在MICCAI期間表示，人工智能和深度學習的力量在不斷增強，但不同的臨床領域和技術領域也存在多樣性，這次MICCAI上的研討會和論文都是創紀錄的。而且，來自科學界和商業界不同領域的興趣日益濃厚。
這股興趣也直接反映在了注冊人數、論文上：MICCAI的注冊人數突破2300人，較2017年翻了一倍；投稿數量大幅增加較去年增加63%，最終的收錄數量達到了538篇。
此外，今年的tutorials、workshops和challenges的數量達到創紀錄的60多個，研討會和賽事甚至延長到晚上；20多家企業成為本次大會的贊助商；大會總共資助了113名學生前來參會，其中48名是本科生。
這些都是MICCAI 2019留下的亮點成績。
會議舉辦前夕，曾有一個小插曲：由于MICCAI 2019的注冊人數已超2000人，而主會場只能容納1500人左右。為此，大會主席沈定剛教授曾發了一條朋友圈，提前征集自愿者在分會場參會。雖是無奈之舉，但也直接說明了本次MICCAI的火爆程度。
作為醫學影像分析行業的頂級學術會議，MICCAI可以說是該領域研究的風向標。而從一年一度的大會上，我們也可以嗅到來自未來的氣息。
首先，我們先看一下今年的MICCAI青年科學家獎(Young Scientist Award,YSA)。青年學者是學術研究的中堅力量，該獎項表彰由青年科學家撰寫的質量最高的論文，每年最多頒發五份YSA。今年MICCAI共收錄了538篇文章，而這5篇文章，可以說是“百里挑一”的精華。
雷鋒網也在第一時間拿到了大會主席沈定剛教授對這5篇論文的點評。
（MICCAI 2019大會主席 沈定剛教授）
1、Models Genesis: Generic Autodidactic Models for 3D Medical Image Analysis
作者：Zongwei Zhou, Vatsal Sodha, Md Mahfuzur Rahman Siddiquee, Ruibin Feng, Nima Tajbakhsh, Michael Gotway, Jianming Liang
點評：這篇文章的貢獻是設計了一個針對三維醫學圖像分析的預訓練模型，這樣解決了以前大家只能用 ImageNet 里的二維數據訓練出來的預模型，并且得到更好的效果；在5個醫學圖像的分割和分類問題上取得領先的效果；在作者的口頭發言中也給出了開源代碼（https://github.com/MrGiovanni/ModelsGenesis）。
2、Deep Multi Label Classification in Affine Subspaces
作者：Thomas Kurmann, Pablo Márquez Neila, Sebastian Wolf, Raphael Sznitman
點評：主要的貢獻是在多類分類任務中，將不同類型的樣本映射到預先定義好的具有依附關系、并且均勻分布在整個特征空間中的相應子空間，而不是像傳統方法中只是簡單將不同類型的樣本映射到距離較遠的不同子空間。
3、Diagnosis-guided multi-modal feature selection for prognosis prediction of lung squamous cell carcinoma
作者：Wei Shao, Tongxin Wang, Zhi Huang, Jun Cheng, Zhi Han, Daoqiang Zhang, Kun Huang
點評：這篇文章要解決的問題是用病理圖像和基因數據來預測生存期。通常的特征選擇方法是用單任務的方法完成特征選擇。這篇文章的基本思想是把生存期預測和臨床診斷信息預測作為多目標任務來進行特征選擇（雖然臨床診斷信息的預測不是這篇文章的目標）。在公開數據集上，跟其他方法相比，有3%左右的精度提高。
4、Fully convolutional boundary regression for retina OCT segmentation
作者：Yufan He, Aaron Carass, Yihao Liu, Bruno Jedynak, Sharon Solomon, Shiv Saidha, Peter Calabresi, Jerry Prince
點評：眼底圖像分割一般是先做像素分割，然后估計出不同層的邊界。不過，這樣的分割方法沒法端到端地優化整個分割任務，而且每一層邊界的平滑性和層與層之間的前后關系都沒有在一個網絡中綜合優化。這篇文章的主要想法是將所有的分割任務（像素分割、邊界估計和相鄰邊界的關系）都放在一個網絡來優化，這樣可以達到整體優化的目的，并且得到好的結果。
5、Clustering of longitudinal shape data sets using mixture of separate or branching trajectories
作者：Vianney Debavelaere, Alexandre B?ne, Stanley Durrleman, Stéphanie Allassonnière
點評：這篇文章主要想解決隨時間變換的形狀數據的聚類問題；作者提出了一個混合模型來解決生長過程中一類變成多類（例如兩類）的問題。在腦老化的應用中，該方法可以發掘出海馬形狀隨年齡老化分成兩個子類。
看完了最佳論文，我們再看研究趨勢。
在為期5天的大會上，讓雷鋒網印象最為深刻的一句話，來自2014年當選為MICCAI Society fellow的英國帝國理工學院教授Daniel Rueckert。
在接受采訪時，他感慨道：“Deep learning is now dominating everything in this area. There are virtually no talks without deep learning。”（深度學習“統治”了醫學影像分析領域，現在幾乎無人不談深度學習）
（MICCAI Society Fellow、英國帝國理工學院教授Daniel Rueckert）
深度學習是近幾年人工智能的主流方法，這次大會收錄的500多篇論文，大都是利用深度學習技術進行臨床工作流程的優化或是對具體圖像進行計算、分析。
與此同時，我們也可以看到，深度學習與傳統知識模型結合的聲量越來越大。
CVPR和 MICCAI 的領域主席、MICCAI 2020 程序委員會聯席主席周少華博士，曾在此前自己的一篇文章中表示，現在的研究更在于如何將深度學習結合自己問題的領域知識，才能達到原創性。
（MICCAI理事會成員、MICCAI 2020 程序委員會聯席主席 周少華博士）
這個觀點在雷鋒網與沈定剛教授、Daniel Rueckert教授、Nicolas Ayache教授等人交流時得到了一致的回答。
（MICCAI創始人之一、法國Inria研究主管Nciholas Ayache）
沈教授表示，每一種方法都各有利弊，深度學習和知識模型相結合的方法，學者們一直在探索。“模型意味著把問題簡化，用數學的方式來表示問題，但是里面有很多問題無法用這個模型來描述，而深度學習的參數非常多，可以解決很多具體的問題。怎么樣把兩者結合起來，非常重要。我永遠認為，研究不能只偏向其中一個方向。”
作為MICCAI 2020 程序委員會聯席主席，周少華博士向雷鋒網分享了，除了深度學習與知識模型融合之外，四個新的學術研究趨勢。
一個方面是深度學習的自動化。周少華表示，深度學習受很多人工的東西影響：人工標注的數據、人工設計的網絡架構、loss函數也是要人工設置。“所以，我覺得，一個比較大的趨勢是去自動化完成這些工作。目前，這些方面的研究也比較多。”
第二個方面是成像與分析的緊密結合。“成像與分析是整個影像鏈中兩個有機組成部分。我們現在是有了圖像之后再進行分析，但是如果在成像端與分析直接結合，也可以做很多有意思的事情，也符合端到端學習的思路。”
第三個方面就是聯邦學習（Federated Learning）。聯邦學習是一種新興的人工智能基礎技術，能夠讓開發者與各企業機構利用分散在多個位置的訓練數據對中心深度神經網絡（DNN）進行訓練的學習范式，這個方法可以支持各企業機構針對共享模型開展協作，而無需共享任何臨床數據。
沈定剛教授也認為，研究方法都是來自于實際應用場景。聯邦學習對于醫療數據的隱私性來說是一個很好的方法，既可以保證數據“不出院”，又能夠利用不用醫院的數據訓練同一個算法。
第四個方面，也是周少華博士研究的側重點，在于通用表征學習（Universal Representation Learning, URL），嘗試用一種通用的學習方法來同時處理多個任務，每個任務可以有不同的領域。
通用表征學習的好處在于，單個任務的數據量不大，難以訓練一個好的模型。如果將所有任務放在一起，就會有更多的數據，進而更好地提升模型的性能。“我們希望可以學到一個通用性的表達，對所有的任務都能適用。”
隨著AI應用的不斷推廣與落地，可以預見的是，“古今結合”和從臨床需求衍生出的新方法將不斷涌現。
軟硬結合、設備端的AI越來越成為器械商們適應智能時代的方式。
目前，國內很多初創公司的發力點集中在診斷環節，但醫學是一個很長的鏈條，每個環節都大有文章可做。將AI應用到源頭，即成像質量的提高，將會是未來的一大熱點。
在12日的早上，沈定剛教授在一個小型的會議一直強調：未來，單模態、單個流程的診斷方式會向全鏈條、全棧式的方式發展。從成像、篩查、診斷、預后，以及后面的治療和隨訪將大有文章可做。
此前，東軟醫療AI首席科學家黃峰也向雷鋒網表示，設備端的人工智能是真正解決了醫院的痛點，給醫院創造更多的價值，“醫院每天掃描50個病人還是100個病人是有很大區別的，直接影響著醫院的接診能力，醫生也更偏愛于智能的設備所帶來的高效體驗。”
“軟件會向硬件靠攏，兩者不能分離。因為數據是為了臨床服務。”沈教授解釋道，這也是自己和周翔博士在面對眾多選擇時，決定加入聯影智能的原因。他將聯影集團比作一艘航空母艦，而聯影智能的AI產品就是一艘艘的小潛艇，可以自然而然地與硬件進行結合；同時，又可以成為獨立產品，直接賦能臨床應用。
如何更好的實現設備端的“軟硬結合”？聯影智能COO 詹翊強分享了聯影智能內部的研發模式：構筑一個內部研發平臺。通過內部研發模塊“復用性”，攤平先期投入的研發成本。“我們在開發第一個AI產品的時候投入會很大，第二個AI產品投入會比較大，但隨著應用越來越多，我們的研發投入會越來越小，而且研發周期會短很多。”
在這樣的思路下，器械商們也尋求搭建軟件生態開放平臺。以聯影智能為例，聯影智能在全國多家醫院部署了自家的uAI Clinical Portal，搭載了覆蓋腦卒中、肋骨骨折、乳腺病變、氣胸等疾病的全棧式AI。
（聯影智能COO 詹翊強）
詹翊強表示，在中國，單純售賣軟件很難擴大規模。AI發展到現階段，軟硬結合已經成為重要的發展方向，兩者相互依存。“從硬件角度看，軟件可以讓硬件增值。而從軟件的商業角度來說，如果有一個硬件作載體，將易于變現，尤其是在專業領域，例如醫療影像領域，因為對醫生而言，軟硬一體化解決方案也許更能符合醫生的需求。”
未來，人工智能將成為影像分析領域的標配，器械商會越來越注重設備端的智能。
今年，醫生和醫療AI公司成為本次MICCAI大會上不可忽視的兩股力量。據了解，今年有20多家企業成為本次大會的贊助商。
并且，醫療AI企業積極投稿，也都取得了不錯的成績：騰訊覓影有8篇論文被收錄、聯影智能有7篇論文被收錄、視見科技有6篇論文被收錄、深睿醫療有5篇論文被收錄，其他企業也均有論文入選。
沈定剛教授就表示，很早以前國內（包括香港）每年有十篇左右的文章會被接收，比例只有3%-4%。2018年，整個亞洲文章所占的比例還非常低，加起來只有18%。
但是，今年亞洲的錄取文章比例已經達到37%，超過了美洲。而這些錄取的文章里，絕大多數（150篇左右）來自于中國。“去年國內企業被收錄的論文數量接近20篇，今年的數字大概在40篇，醫療AI企業在其中作出了重要的貢獻。”
除此之外，大會還對企業敞開了大門，設置了Industry Forum和Industry Session，邀請了來自聯影智能、西門子、騰訊、平安科技等公司在大會上分享自己公司的論文。
另一個值得注意的現象是，醫生在MICCAI中的身影越來越頻繁。
作為“精神放射影像”的代表，華西醫院的龔啟勇教授在大會第二天上午發表了長達一個小時的Keynote Speech。同時，上海長征醫院的劉士遠主任、北京大學第一醫院的王霄英主任都分別在各自的Session中發表演講。
當然，從2016年開始，醫生就一直是醫療AI產品的引路人。醫生也對如今的AI產品提出了很多看法和建議。
王霄英主任說，一些AI模型在臨床工作中實際使用時，并不像在實驗室一樣面對的是經過篩選和清洗的規范化數據。不同醫院在常規工作流程中生成和存儲的圖像數據性質不完全一致，在未做針對性訓練的情況下，AI的效能可能受到影響。
“以我們訓練的前列腺癌分割模型為例，這個模型需要的是高b值DWI圖像，你給它的不是這個格式的圖，結果可能就不準確。如果需要由醫生人工把AI可以識別的影像分揀出來，再交給AI處理，就做不到自動化，醫生仍會不滿意。”
（北京大學第一醫院醫學影像科主任 王霄英）
現在，王霄英主任所在的放射科也在積極地應用公認的、性能穩定的開源框架，嘗試做一些AI小工具，目的是探索如何將不同的AI工具順暢地植入到實際工作流程中，醫生應如何使用各種不同的AI工具，如何在實際工作中驗證AI的性能。“胸組、神經組、骨肌組、腹組等團隊都有各自的項目。發起一個項目的時候，大家會考慮三個因素：工作有沒有臨床價值、問題是不是常見、技術上是不是可行。”
王霄英認為，普適性的、成熟的AI還沒有出現，解決小問題的、提升效率的AI已經進入初步應用。醫生對AI正在 “接納”過程中，醫生需要改造傳統工作習慣和拓展知識體系，促進AI的發展，提升醫療的價值。
所以，隨著醫學影像分析的不斷深入，醫學AI產品的不斷迭代更新，醫生的“戲份”將越來越重，繼續強化企業與醫生的對話機制仍然是重點。
“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展成為如今的規模，因為那時候的參會人數只有400人左右。但是近幾年來，AI技術滲透到了每個角落，也隨之點燃了醫學影像分析。我們看到，現在圖像重建、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。”
MICCAI 2019召開前夕，MICCAI創始主席James Duncan曾對我們說下這么一席話。而經過22年的發展，MICCAI已經成為世界頂級的醫學影像分析會議。
2020年，MICCAI將會在秘魯利馬舉行。
MICCAI Society主席Leo Joskowicz說到，“我來自墨西哥，并且在那里長大。所以我們的愿景是把MICCAI第一次帶到拉丁美洲。四年前，我們就開始競標了。我們希望把MICCAI給中國帶來的影響力帶給拉丁美洲，以及激勵不同的研究人員。”
10月11日的一次晚餐上，Leo Joskowicz和一位參會者一起吃晚飯。這名參會者提出了一個問題：“人們會去秘魯嗎？畢竟那邊沒有很強大的學術團體。”
Leo Joskowicz回答道，MICCAI舉辦的目的，不僅在于那個地方有多少個實驗室，還在于會議能夠為當地帶來哪些影響，是否會激勵研究人員投身這個領域。這是MICCAI選擇舉辦地的一個重要考量。
對于今年的兩位大會主席，Leo Joskowicz給予了高度的贊揚。他說，為了這次MICCAI，沈定剛教授和劉天明教授做了很長時間的準備，他們完成的非常出色。我覺得多年以后，人們都會記得今年的這次盛會。
最后，雷鋒網想分享一段來自沈定剛教授的心扉之言。拋開其他頂級學者對MICCAI 2019以及對中國學者的贊譽，沈教授的這番“說給未來”的話，對于醫學影像分析領域的后來者，都有足夠的收獲和教育意義。
現全文摘錄如下：
今年 MICCAI 的規模很大，文章有538篇，很多其他領域的人也開始做MICCAI領域的問題，這非常好。但是，如果大家看一下這538篇文章的主題，會驚奇地發現大多數文章只是聚焦于簡單的問題，例如簡單問題的簡單分割和分類問題，很少有文章聚焦于復雜的問題。這個現象在華人的論文里更加明顯。
我和劉天明（另外一位 MICCAI 大會主席）看到大會第3天、第 1 session中的9位口頭發言者時，心里都驚了一下：這個session里沒有國內的人，華人也寥寥無幾。主要是因為這方向太難，需要長期投入，而且出文章的周期長。這是國內研究的通病，那就是想在短期出成果，并且沒有耐心做長期投入的工作。
這種現象會影響這個領域的研究和人才培養，因為當前這些做容易問題的人會是將來文章的評審者；他們只懂得那些簡單問題的簡單方法，他們認為好的文章也會是那些相應的簡單問題的簡單方法，因為他們沒有做難的問題和想深入方法的訓練和經驗。這樣下去，國內（包括國際）這個領域的研究、人才培養和相應的產業都會毀了，因為那些在做難問題、需要長期時間投入的人發不了文章，拿不到研究資金，升不了職稱。這個問題應該引起我們做faculty（老師們）的注意。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
