AI 医学影像的现状、机遇与挑战

北京大学王立威教授： AI 医学影像的现状、机遇与挑战

参考来源：http://www.sohu.com/a/209212040_114877

摘自AI掘金志与慕课学院联合举办的视频课程，课程地址：http://www.mooc.ai/course/339/thread?page=2

我没有观看视频，还是舍不得花这个钱啊！！记录一些从网上获取的重点。

专家简介：北京大学王立威教授，首位获得AI's 10 to Watch奖的亚洲学者，同时也是LUNA和天池AI医疗大赛冠军队导师

王教授实战的案例人工智能肺结节检测与良恶性诊断：采用了三阶段模型框架来解决肺结节的种类多，形态各异，容易与血管及其他组织混淆的问题。

具体为：

1.肺门区域结节

        肺门区域结节是非常容易发生错误、漏检的地方，肺门区域结节和其他结构完全连接在一起的特性使得信息难以区分。王教授团队的技术核心是将多尺度信息结合，应用一种特征金字塔网络（FPN）。

2.磨玻璃结节

        磨玻璃结节也是一个容易漏检的部分，相比而言，磨玻璃结节与其他区域的亮度差异较小。通过引入难例挖掘机制，使得模型更为关注困难样本，提高磨玻璃结节的检测准确度。

3.结节临床意义分析

        在结节临床意义分析方面，王立威教授指出：一个患者的整个肺里只有一个地方有结节，另一个患者有很多结节，虽然有一样的结节，但是对于两个人的意义是不同的。我们通过结合病例内所有结节的全局信息，进行结节临床意义分析与判断，帮助医生关注到更具有临床意义的结节。整个过程为：

注意：这里用到了Context Net。避免孤立地看待检测出的结节，而是在全局上判断哪些是有临床意义的，包括利用系统判断结节良恶性的概率值。

在他看来，医学影像问题可以分为两类：

1.提高效率。对于医生而言，检测出肺结节是很容易的事情 ，人工智能血药做到的就是提高效率。

2.攻克医学难题

对于未来在AI医学影像领域的工作者来说，最重要的事情是要兼备人工智能技术和医学知识，既要成为机器学习专家，也要不断学习医学知识。AI工作者需要花很多时间培养自己阅片的能力，要像一个初级的医师一样不断学习影像方面的知识。最好做一个懂医学懂机器学习的双向人才。

一些与学员的问答：

问：作为放射科医生，对于肺结节自动检出产品，最关心的是假阴性，这个问题怎么解决？

答：从医学的角度来讲，大家关注的性能指标应该是两个：特异性和敏感性，敏感度其实指的是一种查全率，是不是把所有的结节都找到了。特异性是指假阳性的比例。在某种意义上，这是两个矛盾的指标，如果把一个指标调到最大，那肯定另一个指标的表现就会变得很差，大家都希望这两个指标能够达到一个最好的平衡。

问：目前的深度学习技术，能够比较高精度的检测多小的结节，五毫米左右如何？

答：我们现在的系统检测五毫米左右的结节没有任何问题。当然从医学的角度来说，国家也发布了关注这类筛查的手册指导意见。我们真正需要关心的就是三毫米以上的结节，三毫米以下现在可以不需要在报告里体现，我们的系统在三毫米以上的检测都是没有什么问题的。