四大焦点话题，审视医学AI的理工医跨界融合

四年来，国内外顶级学者的数百篇学术报告，已经成为医学图像和数字医学领域的研究风向标。

雷锋网《医健AI掘金志》消息，近日，第四届图像计算与数字医学国际研讨会（ISICDM 2020），在东北大学国际学术交流中心闭幕。

此次研讨会由国际数字医学会主办，东北大学和中国医科大学联合承办。雷锋网&医健AI掘金志，第四次应ISICDM发起人、今年当选IEEE Fellow的李纯明教授邀请，成为大会首席媒体，全程参与ISICDM的报道。

四年来，ISICDM汇聚了中国、美国、英国、法国、德国、加拿大、荷兰、瑞士、新加坡、澳大利亚等十国院士，IEEE TIP、IEEE TBME、MedicalImage Analysis等顶级期刊的主编，以及三十多位IEEE Fellow、ACM Fellow，多位中华医学会分会主委。

这样的豪华阵容，让ISICDM成为国内最有影响力的理工医交叉会议之一。国内外顶级学者的数百篇学术报告，已经成为医学图像和数字医学领域的研究风向标。

本次研讨会，共设置了医学图像与人工智能分会、神经影像分析分会、三维可视化与智能诊疗、图像重建进展论坛、图像计算的数学模型与算法论坛，共8大专题论坛，包含77个专题报告和多个交流环节。

新加坡国家科学院院士沈佐伟教授、瑞士工程科学院院士Michael Unser教授、美国国家发明家科学院院士王革教授、欧洲科学院外籍院士蒋田仔博士等四位院士莅临本次大会。

与此同时，“计算解剖学”创始人、约翰霍普金斯大学Michael I.Miller教授；图像处理顶级期刊IEEE TIP副主编、弗吉尼亚大学Gustavo Rohde博士；MICCAI 2020程序委员会联席主席、中科院计算所周少华教授；中国科学院自动化研究所、北航-首医大数据精准医疗高精尖创新中心主任田捷教授等多位嘉宾也在大会各环节发言。

四大院士，聚焦医学AI前沿技术

美国国家发明家科学院院士、纽约伦斯勒理工学院讲座教授王革，围绕图像重建+AI的结合，发表了《Deep Learning & ComputedTomography》的主题演讲。

多年来，王革教授在CT成像、在体荧光成像和生物医学成像等理论与技术领域开展了一系列开拓性研究工作，首次提出了螺旋状锥束CT结构和自发荧光断层成像方法，是国际CT成像和医学图像处理领域的杰出专家和学术权威，也是当前分子影像领域的重磅人物。

王革表示：“图像重建和图像分析是医学影像学的两大支柱，具有很强的互补性，同时也涵盖医学成像的完整工作流程，从断层扫描原始数据特征，到重建图像、提取诊断特征等。“

他指出，医学影像中，人工智能不仅有助于图像分析，也有助于图像重建。利用大数据知识，发展新一代的图像重建理论、重建技术和图像方法，进而提升机器学习对医学影像的影响程度。

新加坡国家科学院、发展中国家科学院院士沈佐伟，发表了演讲——《Image Restoration and Beyond》。

作为国际著名数学家，沈佐伟为数据科学中的理论奠定作出了诸多重要贡献，尤其在函数逼近理论与小波分析、图像处理与压缩感知 、计算机视觉与机器学习等领域。

他介绍了稀疏逼近理论，以及在图像处理和压缩感知领域中的应用，该理论作为一种新兴的图像模型，能够用尽可能简洁的方式表示图像，目前已经引起国内外广大学者的普遍关注，是当前的研究热点与难点。

沈教授表示：“现实中，每一天我们收集起来的各种数据繁杂到超出我们的直觉想象，很难想象人们可以对这些复杂的数据给出简单的刻画，以至于仅仅通过求解几个数学方程式，就能解决现实生活中的实际问题。但我们可以退而求其次：以各种各样具有广泛实用性的数学模型来粗略（未必那么精确）地逼近我们所寻求的答案。”

随后，当选欧洲科学院外籍院士的中国科学院自动化研究所蒋田仔教授，发表了演讲《脑网络组图谱及其在理解认知和疾病中的应用》。

目前，脑图谱的结构和功能研究主要分为三个方向：神经元、神经元群和脑区，其中最重要的研究方向就是脑区。

蒋田仔教授指出，现在的算力还无法满足神经元、神经元群这样的微观角度研究，更多的脑图谱研究集中在宏观领域。

但截止现在，脑区研究还没有完成所有脑区的绘制，许多脑区划分依据大体解剖标志，许多功能复杂脑区的功能亚区边界还不明确，而且既往脑图谱基本来源于西方人数据，不具备东方人特征。

近些年，随着脑影像数据采集设备和技术的进步，像高场强磁共振成像在活体上的应用、弥散张量成像技术的发展，为脑网络组图谱绘制提供了新的技术基础。

蒋田仔的团队，基于这样的新技术提出利用脑连接信息构建脑图谱的新思想、针对不同脑区的亚区划分方案，实现了脑网络组图谱更精细的脑区划分。

相较于传统解剖学方法构建的脑图谱（利希细胞构筑脑图谱），其研发的首版脑网络组图谱包含了共252个大脑皮层脑区与皮层下核团结构，而且在体定量描绘不同脑区、亚区解剖与功能连接模式，并对每个亚区进行了细致的功能描述。

瑞士工程科学院院士Michael Unser也在大会进行了演讲，其演讲主题为《From model-based to data-based medical image reconstruction》。

作为瑞士洛桑联邦理工学院教授，他在生物医学图像处理、对采样理论、多分辨率算法的图像处理使用等领域，都有着丰富的研究经验。

他在演讲中指出，图像重建算法已经历线性、线性和非线性交替方向乘子法两次迭代，未来第三代的方法中，对于提高图像质量解决方案是保留ADMM算法线性部分，还是用深度学习卷积网络代替重建迭代部分，在行业内已经爆发激烈的讨论，可以肯定的是深度学习技术将在其中发挥核心作用。

关于未来医学图像重建趋势，他认为将向四个发展：实现更快、更高分辨率、更低剂量的图像；找寻新方法的同时借鉴图像重建经验；更大数量级的高质量数据库；解决目前行业公认的难题。

医工结合，聚焦前沿技术创新

MichaelI.Miller被誉为“计算解剖学”创始人。作为此次大会的开场嘉宾，神经退行性疾病计算医学的开创者、约翰霍普金斯大学Michael I.Miller，做了开场演讲《MeasureRepresentations of the Brain Unifying Molecular and Tissue Continuum Scales》

他表示，绘制地图是我们了解世界的基础，了解大脑同样也需要绘制大脑地图，对从个体人脑数据到人群中脑数据进行形态和功能的分析，需要研究数学方法和有效的计算手段，计算神经解剖学在20世纪80年代出现，将大脑结构与功能认识带入了新的阶段。

在大脑里，计算神经解剖学能让我们读出认知状态，基于解剖学和成像模型的医学图像分割方法可以应对包括帕金森、阿尔兹海默病、亨廷顿氏病等机体神经元结构或功能逐渐丧失而引发神经退行性疾病。

他还介绍了阿尔兹海默病中神经原纤维纠缠区域三维重建的科研进展，神经细胞内神经原纤维缠结(neurofibrillarytangles, NFTs)是阿尔兹海默病的神经病理学特征之一。但也累积在其他神经退行性疾病中，如慢性创伤性脑病和其他与年龄相关的疾病，为阿尔兹海默病的诊断造成了困难。

近些年，机器学习专家纷纷致力于用AI方法从数字化图像中识别神经原纤维缠结。

紧接着，中国科学院自动化研究所、北航-首医大数据精准医疗高精尖创新中心主任田捷教授，带来《医学影像中的AI算法和研究热点》的演讲。

田捷教授表示，在医学影像领域，人工智能显著提升了图像重建质量，使数据改变图像质量成为了可能。

他将基于深度学习的影像智能诊断分为三个阶段：面向重大疾病精准诊断、疗效评估和预后预测临床挑战；提出多尺度、多模态信息融合的影像大数据智能分析方法；显著提升影像辅助重大疾病诊疗准确性、改善患者愈后。

在前两个阶段中，田捷列举了深度学习超声影像组学、卷积神经网络预后模型、迁移学习、全自动深度学习模型等多种技术手段和应用场景。

他指出：“未来的医疗人工智能会进化到AI的4.0时代，进一步加速智能诊断，实现数据到知识的直接转化。”

第三位医工专家是国际互联网信息系统工程协会（WISE学会）主席、维多利亚大学张彦春教授，他发表了主题为《医学大数据挖掘及AI在神经健康疾病辅助检测诊断及健康管理应用》的演讲。

张彦春指出，医疗大数据+人工智能的关键技术包括计算机视觉、语音、语言和认知能力等等，将这些能力对应到医疗领域，医疗AI将具有各种形式的对话能力，可以快速加工大量医疗和病患信息，提高医生效率。

随后，他重点介绍了脑电图分析与睡眠健康及癫痫检查的研究进展，将心电监测预警和AI进行结合，通过扰动数据生成对抗样本获取大量训练样本，获取医生手术时的相关数据，分析心电、血氧等数据的变化趋势，将其投入卷积神经网络进行训练，从而发现异常，做出预警，实现了睡眠健康及癫痫检查的自动观察。

第四位医工嘉宾是IEEE TIP副主编、美国弗吉尼亚大学Gustavo Rohde教授，他的演讲主题为《Optimal transport inbiomedical imaging》。

Rohde教授主要为生物学和医学的研究开发深度学习算法。近些年，他先后研发适合识别诊断骨关节炎的AI算法等学术成果，并在今年3月获得美国国立卫生研究院的专项研发经费。

他在演讲中介绍了利用累积分布变换（CDT）估计信号模型参数的新方法，该方法将被测信号和模型信号之间的Wasserstein距离最小化，证明了非线性和线性最小二乘之间的转化现象。

第五位医工专家是南加州大学Keck医学院、Mark and Mary Stevens神经影像与信息学研究所PaulM.Thompson教授。

他主要介绍了全球最大的脑图谱项目——ENIGMA，这是Paul M.Thompson和澳大利亚昆士兰医学研究院遗传学家NicholasMartin合作发起，旨在利用共享脑扫描图像和遗传数据方式扩大研究人群，使大脑结构同遗传变异和疾病之间建立广泛联系。

在第一个项目中，ENIGMA同另一个中心合作，分析了2.1万人的大脑扫描图像和DNA，并将特定基因同人脑大小和智力联系起来，例如，拥有HMGA2基因特定变异体的人具有更大的大脑，并且在标准智力测试中得分比普通人高出1.29分。

目前，该项目已经汇集到45个国家的研究数据，对10万人的大脑扫描图像和遗传数据展开分析。

最后一位医工嘉宾是北美放射学会(RSNA)物理学分会理事，美国埃默里大学唐向阳教授。

作为医疗成像研究领域的专家，唐向阳教授重点介绍了新一代计算机的能谱断层扫描（光子计数检测器CT扫描仪）。

能谱CT作为一种新型CT成像方法，借助于光子计数探测器、快速kvp切换等技术，可以获取多个能谱下物质的投影数据，通过物质分解算法计算出物质的电子密度、等效原子序数等信息，从而进行物质识别、实现多物质的成分分解成像，对成像质量提高，图像的信噪比改善，降低辐射剂量有着重要意义，目前已经成为各大影像器械厂商的主要发展方向之一。

AI产品审批井喷，畅谈商业化破局

2020年，已经有8款影像AI产品获批NMPA三类注册证，当今的产品成熟度现状和未来产业化趋势，已成为行业的日常话题之一。

在大会中，中国医学影像AI产学研用创新联盟理事长、长征医院影像医学与核医学科主任刘士远教授，以《中国医学影像AI应用实践与趋势》为题发表演讲。

刘士远教授指出，深度学习掀起的智能化潮流引发了医学影像场景重构，以及工作流程的改变，被嵌入至前台预约、技师扫描图像后处理、诊断报告、放疗计划等多个环节，减轻了医生工作负荷。

他表示，未来的医疗AI产品，将不仅仅面向医生，可以衍生出面向患者的智能报告解读、面向技师的造影剂剂量自动计算、面向管理的智能影像质控、面向科教的智能教学辅助、面向区域联动的MDT等不同的发展方向。AI产品将不再被束之高阁，可以解决更多医学底层实际问题。

首都医科大学附属北京朝阳医院放射科副主任杨旗教授，发表了演讲《基于人工智能脑血管病辅助诊断决策系统建立及实践》

杨旗教授指出，我国脑卒中防控形势十分严峻，脑血管致死率居所有疾病首位，影像科医生对于脑卒中诊断的关注点可分为五项：梗死核心体积；是否存在缺血半暗带；是否存在侧支循环；血管狭窄或闭塞的位置；治疗后出血风险。

杨旗教授分享了斯坦福大学研发的脑卒中人工智能影像分析平台——RAPID。

RAPID作为领先的脑灌注和弥散图像可视化处理软件，已获得FDA批准用于机械取栓患者筛选，在全球40余个国家的1000多家中心应用，扫描次数超过25万例/年。

杨旗教授表示，希望未来中国的脑卒中AI产品，将不再需要医生去标数据，一点点训练模型，进行成百上千的样本量测试、迭代；能够实现自动学习影像知识，向不需要医生干预就能给出准确结果的方向发展。

作为广东省人民医院放射科主任，刘再毅教授也以《对影像AI研究和临床应用的几点思考》为题，发表了自己对于AI发展的看法。

刘再毅指出，放射科医生这个职业已经有100多年历史，在一次次技术革新之后不断壮大，如今这次AI革新，给这个职业的未来，造成了很多变数，为此像Andrew Ng、Harold Pimentel等了解影像的算法专家也都在思考放射科的未来出路。

从实际情况出发，他认为影像AI取代医生还存在五项挑战；影像AI软件功能和应用场景单一；临床易用性和可解释性还存在不足；政策监管和责任主体界定还不明确；AI伦理问题（医疗算法中的种族偏见、医疗服务中的隐性歧视、机器学习系统背后意图、医疗团队和患者间差异）；卫生经济学评价和临床技能培训还没有建立。

AlphaFold2：四位专家的“结构生物学”大讨论

近日，AlphaFold2在生物学领域取得了重要突破：通过蛋白质的氨基酸序列高精度地确定其3D结构。

对于这一生物学和机器学习交叉的前沿热点，ISICDM 2020还专门开辟了一场线上圆桌论坛。黄昆（印第安纳大学）、许东（密歇根大学教授）、张阳（I-TASSER算法发明人）、许锦波（斯隆奖得主）参与了分享和讨论。

论坛引起了国内外各界人士的强烈兴趣，在线直播观看人数超1.6万。

对于AlphaFold2蛋白质预测的实际意义，许东教授表示：“这次AlphaFold2，最主要实现了鲁棒性，能够得到很稳定、很好的结果。过去从来没有团队做到。从技术上讲，我们有一个打分机制，基于多少个氨基酸预测到位来评分。

一般蛋白质预测需要达到90%及以上的准确率，才能算预测得比较有用。这次AlphaFold2已经达到了平均92.4，几乎和实验结果差不多。今后，AlphaFold预测出来的结果，就可以和MR、冷冻电镜的方法相媲美。”

但是，AlphaFold2不是一件完美的作品，不能完全解决蛋白质结构预测的所有问题。

张阳教授表示，AlphaFold2接近于解决了单结构域的蛋白质结构预测问题，预测精度很高。很多媒体中提到它的中位数值是0.92，即大致有一半的模型是超过0.9，接近或者达到实验的精度。但是，还有接近一半的蛋白质预测没有达到这个精度。因此，要完全解决蛋白质结构预测的问题，仍然需要很多工作。

AlphaFold2问世后，结构生物学的哪些方向会受到影响，许锦波教授也发表了看法。

他表示：用计算的方法来做蛋白质结构预测，影响会越来越大，仅仅简单的解结构，以后可以直接用软件去解决。同时，AlphaFold2可以用来提高效率，便于研究者专注于研究结构、功能。做单链的蛋白质结构预测，这方面的人员会变少。

但软件不是万能的，许锦波教授指出，有40%的蛋白质的结构预测不是非常准确，且效率也存在问题。

当下还不明确AlphaFold2如何处理数据，会不会开源等。所以，许锦波教授提出，至少在学术界需要一个与之相竞争的软件，结构预测还有许多问题值得研究，并不会造成所有人失业。

立足临床问题，实现理工医交叉融合

本次研讨会还举行了ISICDM 2020挑战赛的决赛，共有低剂量CT图像质量优化、MR加速成像、肺部组织分割三大项目组成，评审将由医院临床、影像科医生、产业界专家、以及学术界专家等共同组成，从最实用的评审角度提供最专业的指导意见。

挑战赛是ISICDM一直沿袭的特色之一，将工程人员的成果放在医学人员的面前，接受实战场景的检验。这也是这场研讨会的核心目的：解决临床问题，满足医生和病人的需求。

自2017年创立以来，ISICDM共邀请到400余位大会报告及专题报告嘉宾，其中包括中、美、英、加等多个国家的的科学院/工程院院士，ACM、IEEE、AIMBE等学会Fellow，CVPR、ICCV、MICCAI大会主席，以及MRI、MedicalImage analysis、IEEE TBME、IEEETIP主编和TPAMI、IJCV、IEEE TIP、IEEE TMI副主编。

ISICDM 2019大会共同主席James Duncan曾说到，“我们所处的领域，理工一旦离开医，本质上就是闭门造车。而医在整个流程中扮演的角色越来越重要，因此学术界乃至产业界偶尔需要ISICDM这样的研讨会，让理工医专家们取长补短，互通有无，推动理工医交叉的长期发展。”

ISICDM发起人、电子科技大学李纯明教授向医健A掘金志表示，“我们一直秉承‘促进理工医交叉融合，激发产学研协同创新’的理念。无论未来的技术趋势如何变化，无论研究方法多么多元，‘理工医交叉融合，产学研协同创新’永远是这一领域发展的生命线，只要我们围绕这一根基不断纵深，它所释放出来的能量是无穷无尽的。”

原文标题：第四届ISICDM大会闭幕：77场专题报告，四大焦点话题，审视医学AI的理工医跨界融合

文章出处：【微信公众号：IoT科技评论】欢迎添加关注！文章转载请注明出处。

责任编辑：haq