AI 医学影像的现状、机遇与挑战

AI医疗影像的现状，机遇和挑战

王立威

北京大学

------------------------------------------------

背景介绍

医疗影像是AI影响最大的领域之一

自动驾驶
金融
医疗影像

无人驾驶：处理视频数据难度较大落地时间更长

金融：AI对于交易不是核心技术，低频，AI无用武之地，数据量小；高频交易，AI技术起作用是第二，第一位是人，认为体验因素。

医疗影像：静态影像难度相对小 5年之内可落地

AI机器学习技术究竟达到什么水平？

语音识别：　专业书记员错误率　５.9% 深度学习错误率 < 4%

图像分类：人类图像分类错误率 5.1%, 深度学习分类错误率 < 3.5%

计算机对伊: 2017年 AphaGo战胜柯洁

封闭任务：机器（围棋，图像区域检测，分类）

跟人的common sense联系：机器无能为力（自然语言理解，图像内容理解）

医疗影像：相对而言比较封闭

AI对医疗影像产生重大影响案例

natual 皮肤癌检测性能指标：非常富有医学经验的专家水平单病种

糖网筛查：顶尖医生水平单病种

处理病种数量非常庞大（千），差异巨大，解决方案各异

解决单病种：机器学习顶级专家 + 医学顶级专家联手

当前AI医疗影像技术的整体发展状况

多种类型： CT， MRI， X光，超声，内窥镜，病历切片...

多个病种：肺癌，乳腺癌，眼底病，皮肤癌，脑部疾病，肝癌.....

一些病种上单点突破，整个医疗影像任重道远

案例介绍：肺部CT图像分析

为什么研究肺部CT图像

1. 肺癌是全球死亡率最高的癌症（影响力大）

2. CT是肺癌早期诊断最有效的工具（医学判断）

3. 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（有痛点）

肺结节是肺癌早筛的临床表现

种类繁多
形态各异
容易与肺内其他组织（血管）混淆

物体检测　　检测物体面积大

肺结节检测　检测结节面积小　怎么应对（一致度比较高，　医学知识）

怎么和医学专家合作？

1. 开始难于沟通

工程师：喜欢定量描述

医生：喜欢定性描述

问题难点：

1. 肺门区域结节

整合多尺寸信息，有效将结节与正常组织，其他病变区分开

2. 磨玻璃结节

通过引入难例挖掘机制，使得模型更为关注困难样本

3. 结节临床意义分析

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

三阶段模型框架

阶段1：特征金字塔特征预测位置预测分数

阶段2：卷积神经网络特征

阶段3：全局信息结节特征特征融合

肺门区域结节->多尺度信息整合->特征金字塔(FPN)

磨玻璃结节->难例挖掘->焦点损失函数(Focal Loss)

结节临床意义分析->综合所有结节信息->ContextNet

算法延拓：结节属性分析

算法延拓：模型可解释性

----------------------------------------

可解释性意义

１. 经验医生不会发生漏检，只是要花更多时间，医学本身无难度

AI：提高医生效率

2. 医学上没有解决

AI：发现哪些特征，要素影响判断，用于发现

现阶段成果： LUNA16

Kaggle data Science Bowl 2017

天池医疗AI大赛 2017

体会和思考

机器学习技术 + 医学知识

1. 既成为机器学习的专家，也具有丰富的医学知识

2. 两个领域顶级团队，双方高效合作

迎接未来？创造未来？

==========================

可重复性：

常见网络：几十种

CT　一系统图像，三围成像

X光　二微图像

授课教师