“医学影像本质上是一个图像识别问题，面对的仅次于挑战是小样本自学的问题。”5月30日－6月2日，由中国医师协会、中国医师协会放射线医师分会主办，广东省人民医院及广东省医师协会放射线医师分会主办的“中国医师协会第十三次放射线医师年会”在广州开会，这也是中国放射线学界最高级别的会议之一，影像组学与医学影像人工智能领域的跨界融合是这次会议的最重要议题之一。腾讯优图实验室医疗AI总监郑冶枫博士应邀参加，并展开为题“深度自学在医学影像分析上的应用于”的主题共享，共享优图实验室通过迁入自学和计算机制备图像两大方法，突破医疗AI数据量严重不足，没办法像传统机器学习那样用大数据展开喂哺的问题。
郑冶枫博士在中国医师协会第十三次放射线医师年会上做到主题演说腾讯优图实验室是腾讯顶级人工智能实验室之一，专心于在人脸、图像、视频、医疗影像等领域积极开展技术研究。腾讯首款将人工智能技术运用在医学领域的产品“腾讯觅得影”，即是由腾讯医疗身体健康事业部联合，优图实验室获取的算法反对。
医疗AI面对“双重挑战”当前人工智能技术的迅猛发展，与强劲的计算能力、合理的优化算法和高质量的大数据密切相关。要让机器像人类那样思维，沦为医生的得力助手，就必需“喂”给它大量的数据，协助它借此找到规律。但是，在医疗人工智能领域，这一切却没这么非常简单。
郑冶枫博士提及，近年来，深度自学在还包括图像识别、游戏、语音辨识、自然语言处置等方面获得了根本性发展。但是，医疗AI的发展却面对“双重挑战”。
一是缺少训练样本。郑冶枫博士回应，“深度自学的目标是尽可能端对端，图像进来、结果出来，因而网络更加大，更加多层，必须的训练样本也更加多。”但与大自然场景下大自然图像提供有所不同，医学影像的提供十分艰苦。
一方面，患者对于个人的就诊隐私要更加推崇，医学图像完全会网际网路和分享；另一方面，图像收集的“高门槛性”也制约着训练样本的提供。“医学影像收集必须专门的设备，有一些设备十分便宜，比如CT和核磁。
”同时，疾病本身的特殊性也对算法工程师提供样本导致妨碍，郑冶枫博士回应，“对于一些少见病种，需要寻找的图像就只有几百张或者一千来张，因为每年的发作量就那么多。”二是缺少标示。
郑冶枫博士讲解道，对于大自然图像来讲，其标定比较更容易，即便是普通人也需要必要标示。但医学影像有所不同，其标示必须行业顶尖的专业医生参予。
“现实是，培育一个医生必须十年时间甚至很长，再加临床、科研任务轻，做到数据标示对于医生来说也是‘有心无力’。”两大方法突破医疗AI小样本自学问题缺少训练样本、缺少标示这两大挑战让深度自学“弹药严重不足”，由此派生出有的“小样本自学”问题一定程度上妨碍了AI医学影像的发展。
郑冶枫博士明确提出，有两种方法有助解决问题这一问题：一是迁入自学；二是计算机制备图像，比如分解对付网络。在讲解迁入自学的概念时，郑冶枫博士用了一个生动的比喻：“比如说一个人去森林里去找老虎，但根本没见过老虎，不告诉老虎宽什么样。但假如他可以把猫和狗、狐狸等其他动物区分出去，就可以再行训练他去找猫，这就是实训练的过程。
年中，我们告诉他对方：老虎就是黄色的猫缩放100倍，从而超过‘去找老虎’这个目的。”他特别强调，迁入自学十分限于于解决问题小样本的训练问题。另一个方法则是计算机制备图像。郑冶枫博士回应，通过影像横跨模态切换，计算机制备图像需要有效地补足训练样本，而分解对付网络则让训练如虎添翼：一个网络分解图像，一个网络辨别目标的真实性，把两个网络做到一些牵头训练。
训练完结时，分解网络可以产生十分细致的图像。郑冶枫博士以肝癌为事例，“有时候横跨模态分解的图像不会变形，不会分解一些新的病灶，也有可能遗漏一些病灶，为此，我们在研究过程中不会再加各类容许，增加分解图像的杂讯。
我们的算法很极致地保有了器官和病灶的形状，是在用十分现实的图像作为训练任务，通过这种方法，需要让准确率获得显著的提高。”“腾讯觅得影”能精确定位3mm以上的微小肺结节，检出率≥95％医疗AI逐步落地提高临床准确率和效率通过迁入自学、计算机制备图像等方法，影像临床领域的深度自学获得了明显进展。以肺结节检测为事例，郑冶枫博士讲解道，目前肺结节检查方式主要是肺部CT，随着薄层低剂量CT的应用于，图像数量的大幅提高、小结节表明亲率的提升及结节的定量测量等使得读片的可玩性明显减少，同时，艰巨、乏味的阅片工作使影像科医师的疲劳度减少，漏诊、复发的风险也在减少。
人工智能的运用，使得这些问题逐步获得解决问题。经过大大地递归和改版，“腾讯觅得影”早期肺癌筛查AI系统使用了腾讯优图实验室的“末端到末端肺癌辅助临床技术”，需要精准定位微小结节方位和辅助医生精确辨别患者患上肺癌的风险。
预处理模块、检测与辨识模块是这一系统的核心算法。前者利用肺部的三维拆分和修复算法，可以处置有所不同CT光学设备在有所不同光学参数条件下产生的有所不同源数据。而后者使用了“深度自学领域最差的拆分算法”——仅有卷积神经网络，可以构建早期肺结节检测和拆分。郑冶枫博士回应，仅有卷积神经网络有两部分，一部分是编码器，把图像大大卷积和下取样，最后传输到较低维空间，这是有所不同任务可以分享的。
一部分是解码器，大大卷积和上取样，最后输入一个输出图像大小一样的拆分结果，这部分是每个任务独特的。我们实训练的编码器不会把所有任务的图像都看一遍，因此训练得十分好。”“把编码器训练好之后，就将其迁入到其它任务，如肺部拆分和肺结节丰恶性辨别上。
使用公开发表数据集，找到某种程度拆分可以做到得很好，分类也可以做到得很好。”郑冶枫博士特别强调，“在医疗AI上，技术方面大部分工作都差不多，最后的竞争还是在细节方面。比如在丰恶性的辨别上，腾讯明确提出了Med3D实训练模型，该模型使用多个公开发表竞赛数据集展开训练。
通过挑选三维医学影像展开图像拆分任务，并对这些数据展开捕捉、搜集，实训练一个模型，需要大幅提高拆分和分类的准确率，解决问题了大部分结节不前列腺，不告诉丰恶性的问题。”据理解，目前，“腾讯觅得影”通过人工智能医学图像分析能力辅助医生阅片，早已能精确定位3mm以上的微小肺结节，检出率≥95％。
同时，除早期肺癌外，“腾讯觅得影”还能利用AI医学影像分析辅助临床医生筛查早期食管癌、眼底疾病、结直肠肿瘤、宫颈癌、乳腺肿瘤等疾病。
本文关键词：缺乏,开元官网平台,训练,样本,医疗,“,喂不饱,”,腾讯,优图
本文来源：开元官网平台-www.softwareforbad.com
