四年來，國內外頂級學者的數百篇學術報告，已經成為醫學圖像和數字醫學領域的研究風向標。

雷鋒網《醫健AI掘金志》消息，近日，第四屆圖像計算與數字醫學國際研討會（ISICDM 2020），在東北大學國際學術交流中心閉幕。

此次研討會由國際數字醫學會主辦，東北大學和中國醫科大學聯合承辦。雷鋒網&醫健AI掘金志，第四次應ISICDM發起人、今年當選IEEE Fellow的李純明教授邀請，成為大會首席媒體，全程參與ISICDM的報道。

四年來，ISICDM匯聚了中國、美國、英國、法國、德國、加拿大、荷蘭、瑞士、新加坡、澳大利亞等十國院士，IEEE TIP、IEEE TBME、MedicalImage Analysis等頂級期刊的主編，以及三十多位IEEE Fellow、ACM Fellow，多位中華醫學會分會主委。

這樣的豪華陣容，讓ISICDM成為國內最有影響力的理工醫交叉會議之一。國內外頂級學者的數百篇學術報告，已經成為醫學圖像和數字醫學領域的研究風向標。

本次研討會，共設置了醫學圖像與人工智能分會、神經影像分析分會、三維可視化與智能診療、圖像重建進展論壇、圖像計算的數學模型與算法論壇，共8大專題論壇，包含77個專題報告和多個交流環節。

新加坡國家科學院院士沈佐偉教授、瑞士工程科學院院士Michael Unser教授、美國國家發明家科學院院士王革教授、歐洲科學院外籍院士蔣田仔博士等四位院士蒞臨本次大會。

與此同時，“計算解剖學”創始人、約翰霍普金斯大學Michael I.Miller教授；圖像處理頂級期刊IEEE TIP副主編、弗吉尼亞大學Gustavo Rohde博士；MICCAI 2020程序委員會聯席主席、中科院計算所周少華教授；中國科學院自動化研究所、北航-首醫大數據精準醫療高精尖創新中心主任田捷教授等多位嘉賓也在大會各環節發言。

四大院士，聚焦醫學AI前沿技術

美國國家發明家科學院院士、紐約倫斯勒理工學院講座教授王革，圍繞圖像重建+AI的結合，發表了《Deep Learning & ComputedTomography》的主題演講。

多年來，王革教授在CT成像、在體熒光成像和生物醫學成像等理論與技術領域開展了一系列開拓性研究工作，首次提出了螺旋狀錐束CT結構和自發熒光斷層成像方法，是國際CT成像和醫學圖像處理領域的杰出專家和學術權威，也是當前分子影像領域的重磅人物。

王革表示：“圖像重建和圖像分析是醫學影像學的兩大支柱，具有很強的互補性，同時也涵蓋醫學成像的完整工作流程，從斷層掃描原始數據特征，到重建圖像、提取診斷特征等。“

他指出，醫學影像中，人工智能不僅有助于圖像分析，也有助于圖像重建。利用大數據知識，發展新一代的圖像重建理論、重建技術和圖像方法，進而提升機器學習對醫學影像的影響程度。

新加坡國家科學院、發展中國家科學院院士沈佐偉，發表了演講——《Image Restoration and Beyond》。

作為國際著名數學家，沈佐偉為數據科學中的理論奠定作出了諸多重要貢獻，尤其在函數逼近理論與小波分析、圖像處理與壓縮感知 、計算機視覺與機器學習等領域。

他介紹了稀疏逼近理論，以及在圖像處理和壓縮感知領域中的應用，該理論作為一種新興的圖像模型，能夠用盡可能簡潔的方式表示圖像，目前已經引起國內外廣大學者的普遍關注，是當前的研究熱點與難點。

沈教授表示：“現實中，每一天我們收集起來的各種數據繁雜到超出我們的直覺想象，很難想象人們可以對這些復雜的數據給出簡單的刻畫，以至于僅僅通過求解幾個數學方程式，就能解決現實生活中的實際問題。但我們可以退而求其次：以各種各樣具有廣泛實用性的數學模型來粗略（未必那么精確）地逼近我們所尋求的答案。”

隨后，當選歐洲科學院外籍院士的中國科學院自動化研究所蔣田仔教授，發表了演講《腦網絡組圖譜及其在理解認知和疾病中的應用》。

目前，腦圖譜的結構和功能研究主要分為三個方向：神經元、神經元群和腦區，其中最重要的研究方向就是腦區。

蔣田仔教授指出，現在的算力還無法滿足神經元、神經元群這樣的微觀角度研究，更多的腦圖譜研究集中在宏觀領域。

但截止現在，腦區研究還沒有完成所有腦區的繪制，許多腦區劃分依據大體解剖標志，許多功能復雜腦區的功能亞區邊界還不明確，而且既往腦圖譜基本來源于西方人數據，不具備東方人特征。

近些年，隨著腦影像數據采集設備和技術的進步，像高場強磁共振成像在活體上的應用、彌散張量成像技術的發展，為腦網絡組圖譜繪制提供了新的技術基礎。

蔣田仔的團隊，基于這樣的新技術提出利用腦連接信息構建腦圖譜的新思想、針對不同腦區的亞區劃分方案，實現了腦網絡組圖譜更精細的腦區劃分。

相較于傳統解剖學方法構建的腦圖譜（利希細胞構筑腦圖譜），其研發的首版腦網絡組圖譜包含了共252個大腦皮層腦區與皮層下核團結構，而且在體定量描繪不同腦區、亞區解剖與功能連接模式，并對每個亞區進行了細致的功能描述。

瑞士工程科學院院士Michael Unser也在大會進行了演講，其演講主題為《From model-based to data-based medical image reconstruction》。

作為瑞士洛桑聯邦理工學院教授，他在生物醫學圖像處理、對采樣理論、多分辨率算法的圖像處理使用等領域，都有著豐富的研究經驗。

他在演講中指出，圖像重建算法已經歷線性、線性和非線性交替方向乘子法兩次迭代，未來第三代的方法中，對于提高圖像質量解決方案是保留ADMM算法線性部分，還是用深度學習卷積網絡代替重建迭代部分，在行業內已經爆發激烈的討論，可以肯定的是深度學習技術將在其中發揮核心作用。

關于未來醫學圖像重建趨勢，他認為將向四個發展：實現更快、更高分辨率、更低劑量的圖像；找尋新方法的同時借鑒圖像重建經驗；更大數量級的高質量數據庫；解決目前行業公認的難題。

醫工結合，聚焦前沿技術創新

MichaelI.Miller被譽為“計算解剖學”創始人。作為此次大會的開場嘉賓，神經退行性疾病計算醫學的開創者、約翰霍普金斯大學Michael I.Miller，做了開場演講《MeasureRepresentations of the Brain Unifying Molecular and Tissue Continuum Scales》

他表示，繪制地圖是我們了解世界的基礎，了解大腦同樣也需要繪制大腦地圖，對從個體人腦數據到人群中腦數據進行形態和功能的分析，需要研究數學方法和有效的計算手段，計算神經解剖學在20世紀80年代出現，將大腦結構與功能認識帶入了新的階段。

在大腦里，計算神經解剖學能讓我們讀出認知狀態，基于解剖學和成像模型的醫學圖像分割方法可以應對包括帕金森、阿爾茲海默病、亨廷頓氏病等機體神經元結構或功能逐漸喪失而引發神經退行性疾病。

他還介紹了阿爾茲海默病中神經原纖維糾纏區域三維重建的科研進展，神經細胞內神經原纖維纏結(neurofibrillarytangles, NFTs)是阿爾茲海默病的神經病理學特征之一。但也累積在其他神經退行性疾病中，如慢性創傷性腦病和其他與年齡相關的疾病，為阿爾茲海默病的診斷造成了困難。

近些年，機器學習專家紛紛致力于用AI方法從數字化圖像中識別神經原纖維纏結。

緊接著，中國科學院自動化研究所、北航-首醫大數據精準醫療高精尖創新中心主任田捷教授，帶來《醫學影像中的AI算法和研究熱點》的演講。

田捷教授表示，在醫學影像領域，人工智能顯著提升了圖像重建質量，使數據改變圖像質量成為了可能。

他將基于深度學習的影像智能診斷分為三個階段：面向重大疾病精準診斷、療效評估和預后預測臨床挑戰；提出多尺度、多模態信息融合的影像大數據智能分析方法；顯著提升影像輔助重大疾病診療準確性、改善患者愈后。

在前兩個階段中，田捷列舉了深度學習超聲影像組學、卷積神經網絡預后模型、遷移學習、全自動深度學習模型等多種技術手段和應用場景。

他指出：“未來的醫療人工智能會進化到AI的4.0時代，進一步加速智能診斷，實現數據到知識的直接轉化。”

第三位醫工專家是國際互聯網信息系統工程協會（WISE學會）主席、維多利亞大學張彥春教授，他發表了主題為《醫學大數據挖掘及AI在神經健康疾病輔助檢測診斷及健康管理應用》的演講。

張彥春指出，醫療大數據+人工智能的關鍵技術包括計算機視覺、語音、語言和認知能力等等，將這些能力對應到醫療領域，醫療AI將具有各種形式的對話能力，可以快速加工大量醫療和病患信息，提高醫生效率。

隨后，他重點介紹了腦電圖分析與睡眠健康及癲癇檢查的研究進展，將心電監測預警和AI進行結合，通過擾動數據生成對抗樣本獲取大量訓練樣本，獲取醫生手術時的相關數據，分析心電、血氧等數據的變化趨勢，將其投入卷積神經網絡進行訓練，從而發現異常，做出預警，實現了睡眠健康及癲癇檢查的自動觀察。

第四位醫工嘉賓是IEEE TIP副主編、美國弗吉尼亞大學Gustavo Rohde教授，他的演講主題為《Optimal transport inbiomedical imaging》。

Rohde教授主要為生物學和醫學的研究開發深度學習算法。近些年，他先后研發適合識別診斷骨關節炎的AI算法等學術成果，并在今年3月獲得美國國立衛生研究院的專項研發經費。

他在演講中介紹了利用累積分布變換（CDT）估計信號模型參數的新方法，該方法將被測信號和模型信號之間的Wasserstein距離最小化，證明了非線性和線性最小二乘之間的轉化現象。

第五位醫工專家是南加州大學Keck醫學院、Mark and Mary Stevens神經影像與信息學研究所PaulM.Thompson教授。

他主要介紹了全球最大的腦圖譜項目——ENIGMA，這是Paul M.Thompson和澳大利亞昆士蘭醫學研究院遺傳學家NicholasMartin合作發起，旨在利用共享腦掃描圖像和遺傳數據方式擴大研究人群，使大腦結構同遺傳變異和疾病之間建立廣泛聯系。

在第一個項目中，ENIGMA同另一個中心合作，分析了2.1萬人的大腦掃描圖像和DNA，并將特定基因同人腦大小和智力聯系起來，例如，擁有HMGA2基因特定變異體的人具有更大的大腦，并且在標準智力測試中得分比普通人高出1.29分。

目前，該項目已經匯集到45個國家的研究數據，對10萬人的大腦掃描圖像和遺傳數據展開分析。

最后一位醫工嘉賓是北美放射學會(RSNA)物理學分會理事，美國埃默里大學唐向陽教授。

作為醫療成像研究領域的專家，唐向陽教授重點介紹了新一代計算機的能譜斷層掃描（光子計數檢測器CT掃描儀）。

能譜CT作為一種新型CT成像方法，借助于光子計數探測器、快速kvp切換等技術，可以獲取多個能譜下物質的投影數據，通過物質分解算法計算出物質的電子密度、等效原子序數等信息，從而進行物質識別、實現多物質的成分分解成像，對成像質量提高，圖像的信噪比改善，降低輻射劑量有著重要意義，目前已經成為各大影像器械廠商的主要發展方向之一。

AI產品審批井噴，暢談商業化破局

2020年，已經有8款影像AI產品獲批NMPA三類注冊證，當今的產品成熟度現狀和未來產業化趨勢，已成為行業的日常話題之一。

在大會中，中國醫學影像AI產學研用創新聯盟理事長、長征醫院影像醫學與核醫學科主任劉士遠教授，以《中國醫學影像AI應用實踐與趨勢》為題發表演講。

劉士遠教授指出，深度學習掀起的智能化潮流引發了醫學影像場景重構，以及工作流程的改變，被嵌入至前臺預約、技師掃描圖像后處理、診斷報告、放療計劃等多個環節，減輕了醫生工作負荷。

他表示，未來的醫療AI產品，將不僅僅面向醫生，可以衍生出面向患者的智能報告解讀、面向技師的造影劑劑量自動計算、面向管理的智能影像質控、面向科教的智能教學輔助、面向區域聯動的MDT等不同的發展方向。AI產品將不再被束之高閣，可以解決更多醫學底層實際問題。

首都醫科大學附屬北京朝陽醫院放射科副主任楊旗教授，發表了演講《基于人工智能腦血管病輔助診斷決策系統建立及實踐》

楊旗教授指出，我國腦卒中防控形勢十分嚴峻，腦血管致死率居所有疾病首位，影像科醫生對于腦卒中診斷的關注點可分為五項：梗死核心體積；是否存在缺血半暗帶；是否存在側支循環；血管狹窄或閉塞的位置；治療后出血風險。

楊旗教授分享了斯坦福大學研發的腦卒中人工智能影像分析平臺——RAPID。

RAPID作為領先的腦灌注和彌散圖像可視化處理軟件，已獲得FDA批準用于機械取栓患者篩選，在全球40余個國家的1000多家中心應用，掃描次數超過25萬例/年。

楊旗教授表示，希望未來中國的腦卒中AI產品，將不再需要醫生去標數據，一點點訓練模型，進行成百上千的樣本量測試、迭代；能夠實現自動學習影像知識，向不需要醫生干預就能給出準確結果的方向發展。

作為廣東省人民醫院放射科主任，劉再毅教授也以《對影像AI研究和臨床應用的幾點思考》為題，發表了自己對于AI發展的看法。

劉再毅指出，放射科醫生這個職業已經有100多年歷史，在一次次技術革新之后不斷壯大，如今這次AI革新，給這個職業的未來，造成了很多變數，為此像Andrew Ng、Harold Pimentel等了解影像的算法專家也都在思考放射科的未來出路。

從實際情況出發，他認為影像AI取代醫生還存在五項挑戰；影像AI軟件功能和應用場景單一；臨床易用性和可解釋性還存在不足；政策監管和責任主體界定還不明確；AI倫理問題（醫療算法中的種族偏見、醫療服務中的隱性歧視、機器學習系統背后意圖、醫療團隊和患者間差異）；衛生經濟學評價和臨床技能培訓還沒有建立。

AlphaFold2：四位專家的“結構生物學”大討論

近日，AlphaFold2在生物學領域取得了重要突破：通過蛋白質的氨基酸序列高精度地確定其3D結構。

對于這一生物學和機器學習交叉的前沿熱點，ISICDM 2020還專門開辟了一場線上圓桌論壇。黃昆（印第安納大學）、許東（密歇根大學教授）、張陽（I-TASSER算法發明人）、許錦波（斯隆獎得主）參與了分享和討論。

論壇引起了國內外各界人士的強烈興趣，在線直播觀看人數超1.6萬。

對于AlphaFold2蛋白質預測的實際意義，許東教授表示：“這次AlphaFold2，最主要實現了魯棒性，能夠得到很穩定、很好的結果。過去從來沒有團隊做到。從技術上講，我們有一個打分機制，基于多少個氨基酸預測到位來評分。

一般蛋白質預測需要達到90%及以上的準確率，才能算預測得比較有用。這次AlphaFold2已經達到了平均92.4，幾乎和實驗結果差不多。今后，AlphaFold預測出來的結果，就可以和MR、冷凍電鏡的方法相媲美。”

但是，AlphaFold2不是一件完美的作品，不能完全解決蛋白質結構預測的所有問題。

張陽教授表示，AlphaFold2接近于解決了單結構域的蛋白質結構預測問題，預測精度很高。很多媒體中提到它的中位數值是0.92，即大致有一半的模型是超過0.9，接近或者達到實驗的精度。但是，還有接近一半的蛋白質預測沒有達到這個精度。因此，要完全解決蛋白質結構預測的問題，仍然需要很多工作。

AlphaFold2問世后，結構生物學的哪些方向會受到影響，許錦波教授也發表了看法。

他表示：用計算的方法來做蛋白質結構預測，影響會越來越大，僅僅簡單的解結構，以后可以直接用軟件去解決。同時，AlphaFold2可以用來提高效率，便于研究者專注于研究結構、功能。做單鏈的蛋白質結構預測，這方面的人員會變少。

但軟件不是萬能的，許錦波教授指出，有40%的蛋白質的結構預測不是非常準確，且效率也存在問題。

當下還不明確AlphaFold2如何處理數據，會不會開源等。所以，許錦波教授提出，至少在學術界需要一個與之相競爭的軟件，結構預測還有許多問題值得研究，并不會造成所有人失業。

立足臨床問題，實現理工醫交叉融合

本次研討會還舉行了ISICDM 2020挑戰賽的決賽，共有低劑量CT圖像質量優化、MR加速成像、肺部組織分割三大項目組成，評審將由醫院臨床、影像科醫生、產業界專家、以及學術界專家等共同組成，從最實用的評審角度提供最專業的指導意見。

挑戰賽是ISICDM一直沿襲的特色之一，將工程人員的成果放在醫學人員的面前，接受實戰場景的檢驗。這也是這場研討會的核心目的：解決臨床問題，滿足醫生和病人的需求。

自2017年創立以來，ISICDM共邀請到400余位大會報告及專題報告嘉賓，其中包括中、美、英、加等多個國家的的科學院/工程院院士，ACM、IEEE、AIMBE等學會Fellow，CVPR、ICCV、MICCAI大會主席，以及MRI、MedicalImage analysis、IEEE TBME、IEEETIP主編和TPAMI、IJCV、IEEE TIP、IEEE TMI副主編。

ISICDM 2019大會共同主席James Duncan曾說到，“我們所處的領域，理工一旦離開醫，本質上就是閉門造車。而醫在整個流程中扮演的角色越來越重要，因此學術界乃至產業界偶爾需要ISICDM這樣的研討會，讓理工醫專家們取長補短，互通有無，推動理工醫交叉的長期發展。”

ISICDM發起人、電子科技大學李純明教授向醫健A掘金志表示，“我們一直秉承‘促進理工醫交叉融合，激發產學研協同創新’的理念。無論未來的技術趨勢如何變化，無論研究方法多么多元，‘理工醫交叉融合，產學研協同創新’永遠是這一領域發展的生命線，只要我們圍繞這一根基不斷縱深，它所釋放出來的能量是無窮無盡的。”

原文標題：第四屆ISICDM大會閉幕：77場專題報告，四大焦點話題，審視醫學AI的理工醫跨界融合

文章出處：【微信公眾號：IoT科技評論】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq