近日，雷锋网AI掘金志邀请了北京大学王立威教授，为大家深入讲解了《AI医学影像的现状、机遇与挑战》。

王立威教授作为首位获得AIs10toWatch奖的亚洲学者，同时也是LUNA和天池AI医疗大赛冠军队导师，从人工智能研究者的角度出发，为多位资深医疗人工智能人士做了分钟的深度分享和学员互动问答。

王立威教授指出，只满足把自己定位于一个人工智能研究者来看待医学影像问题，将图像识别技术单纯地嫁接到医学影像原有的系统上，即便数字结果看起来不错，但距离“好用的产品”依旧非常遥远。

嘉宾介绍：

王立威：北京大学信息科学技术学院教授

王立威教授在机器学习领域发表论文余篇，年入选人工智能重要国际奖项AIs10toWatch，是亚洲首位获得该奖项的学者。年获得首届国家自然科学基金优秀青年基金；担任国际人工智能权威会议NIPS，IJCAI领域主席；中国计算机学会人工智能与模式识别专委会常委。

课程内容：

我为什么选择医学影像这条路

重新审视AI这个工具：我眼中的人工智能与机器学习

当前AI医学影像技术的真实现状

实战案例详解：人工智能肺结节检测与良恶性诊断

经验分享：错误、弯路、失败、技巧、解决方法

致AI医学影像领域的工作者：我们应具备哪些素质与技术

未来AI医学影像的机遇与突破点

为什么选择医学影像这条路？

王立威教授谈到，有三个领域会与深度学习进行紧密的结合，并希望能够选择其中一个方面来进行深入研究：一个是无人驾驶；一个是金融领域；再一个则是医学领域。

他认为，无人驾驶在计算机视觉的识别技术已经趋于成熟，具备可以与机器学习进行深入结合的条件，但作为一个与汽车实体紧密相关的应用方向，在高校内做研究的空间相对受限；此外，驾驶作为一种动态活动，相对于静态图像识别的难度与复杂性要高得多。

而金融领域尽管积累了非常多高质量的封闭数据，但它属于噪声非常大的信号，受突发政策、人为操作的影响较大，并非总是严格遵循客观规律。

AI技术不是金融交易中的核心技术，交易的安全是重中之重。如果只考虑交易频次问题，交易又分为低频和高频，“如果是低频交易，我不认为AI有太大的用武之地，因为AI需要大数据、低频交易数据量太小，如果要让AI技术发挥技术，一定是在高频领域。但是现阶段的一个问题是，高频领域有很多分析的工作还是是需要人来做，例如提炼对交易产生影响的因素或者策略。所以综合上述的几个因素，我最后选择了从医学影像入手。”

在这个应用研究的三岔路口上，王立威教授最终选择了医学影像领域。

“医学影像是未来几年之内人工智能影响最深远的领域。”

一方面，医学影像属于静态图像识别，相对于视频的处理技术要更加成熟；另一方面，依托北京医院，不论是从数据的获取或是系统的测试落地上，王立威教授所在的北京大学研究团队都有着得天独厚的优势。

王教授表示，如果开发者要执行的任务处于非常封闭的环境，和人的常识没有什么关系，这样的任务非常适合机器来做，但是如果这项任务和常识挂钩，例如对自然语言的理解，对于机器而言难度非常大。“医学影像相对而言是具有一定封闭性的问题。”

当前AI医学影像技术的真实现状

当然，不是说医学影像具有一定的封闭性，AI就能够在医学领域畅行无阻。王立威教授列举了两个AI对医学影像产生重大影像的案例——斯坦福团队在皮肤癌检测以及Google的DeepMind的糖网筛查。

王教授的观点是：

1、医学影像处理病种的数量非常庞大，上述两个团队的例子解决的都是单病种问题。医学影像上一共可以分为两千多个的病种。“解决一个单病种已经不是简单的事情，斯坦福的团队已经和顶级的医学专家研究数年才得到目前的成果，要囊括两千多个病种更是难上加难。此外，病种与病种之间的差异度也很大，所以，AI医学影像需要顶级医学专家和顶级机器学习学者通力合作才有可能成功。”

2、成像设备的差异会产生多种类型的图像。CT、MRI、X光、超声、内窥镜、病理切片这些图像缺乏一定的标准。“现在我们只是在一些病种上进行单点突破，整个医学影像仍任重道远。”

从技术角度而言，今天的机器学习、人工智能技术对于检测等问题可能做得比较好，但是全局性病变、结构性病变对机器学习还是有难度。

未来几年看谁能胜出，就看谁能选对病种，选错就有可能浪费时间、精力。

实战案例：人工智能肺结节检测与良恶性诊断

从上面的观点我们可以看出，在研究早期选对病种是一个极其重要的问题。

那么王教授为什么要研究肺部CT图像分析？

他总结了以下三个原因：肺癌是全球死亡率最高的癌症，而CT是肺癌早期诊断最有效的工具，但是CT图像数量与放射科医生数量的矛盾对CT图像的自动分析有着迫切需求。

从需求角度来考虑，相对于发病率较低的罕见疾病，选择一个常见病来介入，受益面更大。

自然场景和医学场景有很大的不同。自然场景图像里需要检出的目标非常大，而医学场景里肺结节的目标非常小、难度大。但是为什么我们觉得能够在很小的区域检测出小结节这样的东西呢？因为自然场景复杂多变，而医学图像的一致性比较高、这就是为什么机器学习技术有可能应用在医学影像。

王教授在授课中分享了自己的个人经历：刚刚进入医学影像领域时，虽然我的机器学习知识已经可以胜任这项工作了，我的想法就是在这个领域利用机器学习方法。虽然前期取得一定的成果，但是经过相当长的时间，我意识到如果要实现更大突破，发展的瓶颈在于专业的医学知识。因此，在这个问题上，王教授认为，向医生学习是一个非常必要的过程。

王教授反复强调，AI+医学影像需要跨界的人才。“作为人工智能研究领域的专家，在与医生交流的时候，双方讲的好像是两种不同的语言，有时候技术工作者想精确地得到定量的结果，而医学专家更多的是想从定性角度来判断疾病，这就需要双方能够达到无缝衔接，因为我们知道要培养跨界人才是很难的，所以我们只能向医学专家学习知识，紧密合作。”

肺结节问题的诸多难点

肺结节的早期筛查是AI+医学影像的热门领域，但是，肺结节的种类繁多、形态各异、容易与肺内其他组织（例如血管等）混淆。

这些问题也会考验从这个领域切入的创业者，例如肺门区域结节和磨玻璃结节的检测。因此，王教授团队采用了三阶段模型框架来解决这样的问题。

三阶段模型框架

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）

通过整合多尺度信息，有效地将结节与正常组织、其它病变区分开，精确检测肺门区域结节。

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