8月30－31日，由中國高科技行業門戶OFweek維科網、高科會主辦，OFweek人工智能網、OFweek醫療科技網承辦的2018中國（上海）國際人工智能展覽會暨OFweek（第二屆）人工智能產業大會在上?？鐕少彆?a target="_blank">中心成功舉辦。

本次大會共匯集了人工智能領域的國際知名企業高層、行業資深專家、專家分析機構等數千位精英，用全新視角透析行業動態，解讀人工智能領域本年度海內外最值得關注的學術與研發進展。

在8月31日分論壇：AI＋醫療專場上，上海交通大學生物醫學工程學院特別研究員、博導錢曉華為現場觀眾帶來了《醫學影像信息系統：輔助檢測、診斷和探索》主題演講，從人工智能技術在醫學領域的發展現狀、人工智能以及醫學影像信息系統結合應用等多個角度進行了具體探討。

上海交通大學生物醫學工程學院特別研究員、博導錢曉華

錢曉華從多個角度說明了目前人工智能在醫療領域的技術應用和發展前景。錢曉華認為，人工智能技術的發展極大推動了醫療產業進步，但醫療人工智能在本質上不可能取代醫生，只能應用于醫療輔助領域。

演講中，錢曉華還提到了過去與美國醫生合作關于理解腦膠質瘤手術后真假進展問題的研究。在他看來，過去的醫生認為人工智能技術發展尚未成熟，且對于人們來說人工智能就是個黑匣子，其難以理解的知識和特征阻礙了人們醫療科技的進展。因此錢曉華的團隊就項目中的深度學習環節進行了特征可解釋性研究，將深度學習中的抽象特征解析成醫生能夠理解的知識和特征，醫生通過解釋過的知識和特征來判斷評估人工智能的診斷結果，以此推動人工智能技術在醫療領域的發展。

以下為錢曉華先生的現場演講內容，OFweek醫療科技網作了不改變原意的整理和編輯：

接下來由我給大家做一個報告，題目是《醫學影像信息系統：輔助檢測、診斷和探索》。首先，我認為醫療人工智能是不可能替代醫生的，只能應用在輔助領域。我簡單做個自我介紹，我在去年加入上海交大生物醫學工程學院，組建了自己的醫學影像處理團隊，目前初具規模，總共有七名研究生，合作的醫院也包括瑞金醫院、華山醫院六院、胸科醫院以及北京朝陽醫院。接下來我將從以下幾個方面展開今天的演講主題。

第一，是基于非增強型缺血性腦中風的早期檢測系統，工作的目標是對缺血性中風的早期預警和量化診斷。在科研上或者在后期的診斷中可以用多種模態核磁共振以及各種方式進行。但在早期檢查的過程中都是采用普通CT，比如一個病人去了急診科，不能未診斷就做核磁共振檢查，這個工作是基于臨床流程中的需求而進行的。這個工作已經展開了7、8年，目前的工作效果是當這個疑似區和周邊區域亦對比度大于5個CT值時，該系統的判斷準確率超過80％。

第二，介紹一下計算機輔助手術系統。以幼兒顱腦早閉癥為例，幼兒顱腦早閉癥的癥狀是孩子額頭部位像＂壽星＂一樣往上凸，這其實是幼兒的腦縫提前閉合，閉合之后會造成其顱內壓力升高，影響幼兒智力發育。治療方案很直接，把融合的縫直接切掉，然后塞入兩個彈簧。這個彈簧需要多大的彈力？要由醫生的經驗來決定，而這份經驗則來自以往的小白鼠實驗。在美國第一個發明這個手術的醫生曾經和我們合作過。他非常迫切的想解決這個問題，希望根據每個孩子的實際情況來定制個性化彈簧。

大家可以看到，這是一個典型的圖像處理、機器學習加上優選分析的手術規劃系統。整個系統的難點以及關鍵點在于對腦殼腦縫的分割和提取及特征描述，這個是本項目的最大的難點。人眼是很輕松能看到腦縫，但是計算機不懂，因為腦縫本質上不存在?，F在的深度學習依然無法解決這個問題。

這是非常有意思的一個問題，深度學習很多時候需要龐大的樣本量。很多疑難雜癥本身樣本量就少，而你又急需把這個工作客觀化，讓更多人學習這個系統，那么就需要傳統的方式或者其他的方式來完成這項工作。我們提出了一個解決方案：以前沒有人進行基于半球投影這項工作，如何將這個看似沒有的東西經過投影并在一個封閉區域進行分割和提取是最大的難點。而我們的解決方案在當時獲得了美國衛生部250萬美元的科研基金支持。

第三個工作，是關于理解腦膠質瘤手術后真假進展問題。腦膠質瘤是一個惡性腫瘤，它的存活期只有18個月，關鍵問題在于該病癥容易復發。它的治療方式是先手術后放化療，放化療會帶來一個副作用即假復發。假復發在核磁共振上顯示的灰度增強區域會模擬真復發的變化形態。即使是專業的醫師也無法通過片子來判斷這個病人到底是真的腫瘤復發還是假復發。目前臨床上的一個標準是隨訪，隨訪通常需要花費六個月以上的時間，根據它的形態變化來判斷病人情況。而腦膠質瘤總共才活18個月，你花六個月以上時間去診斷，會嚴重影響到病人生活。

所以美國醫生就找到我們，希望縮短診斷時間。圍繞這個需求，我們展開以下三方面工作。第一個是基于圖像技術和人工智能技術來開發一個計算機輔助診斷系統，用以提高準確率和診斷效率；第二個是通過圖像和基因結合的方式來確定生物標記物，如此一來就能在手術完成后通過生物標記物盡早預測病人病況發展趨勢；第三個是探討一個新的分期方式。前幾年我們自主開發了一個字典學習系統做分割，它的準確率在80％至85％之間。這個系統關鍵不在于系統本身，而是字典學習的可理解化。當時醫生認為，人工智能技術再怎么先進，對人們來說不過是個黑匣子，不理解它的特征就不會使用。所以我們對此進行了特征可解釋性問題研究。這兩年我們通過深度學習的方式來做這個真假復發的診斷。圖中顯示的診斷系統準確率已經從80％多提高到90％以上。但這個我們仍然不放心。因為這個準確率的本質和內在邏輯與醫生的邏輯是不吻合的。所以現在我們做的工作重點在于揭開人工智能黑匣子，看這些抽象特征是否真的符合醫生的標準，才能判斷該系統是否可靠。

第二個工作是通過圖像和基因結合的方式來確定一個生物標記物。因為用相同的治療手段治療不同的病人會獲得不同的治療結果。我們認為這是不同的病人的基因組導致，因此要結合圖像技術和基因技術對基因進行標記，手術完成后可以通過基因檢測來預測這個病人病況發展趨勢。

第三個工作，我們把一家醫院腦膠質瘤真假復發臨床記錄進行了統計分析，可以發現真假復發兩類病人經過不同治療后生存時間沒有顯著差異。這說明兩個問題，第一點說明臨床上花六個月時間進行診斷是耽誤治療進度。第二點說明目前臨床診斷的標準是基于影像判斷，而影像的表象不一定真正能反映兩類病人的本質差異。所以我們提出把圖像技術和基因技術結合起來，構建兩年生存風險預測模型。根據該預測模型產生的兩年生存值，把病人區分為高低風險病患。這樣就可以知道臨床上的進一步的治療診斷走向。

接下來我簡單的介紹一下其他工作。首先是具有可理解性的深度學習模型研究。一個調制好的深度學習系統可以提供良好的診斷預測以及高度準確率，但其內在邏輯是否真完全吻合臨床標準卻不一定。

如圖所示，在整個過程中ROC值能達到99％，但是我們經過特征返還查看，發現這些抽象特征貢獻最大的區域基本不在主流部分，而是由噪聲特征貢獻了準確率。所以說深度學習系統和深度學習系統是不完全吻合的，其可靠性主要來自于模型的可理解性，將深度學習中的抽象特征解析成醫生能夠理解的知識和特征，醫生通過解釋過知識和特征判斷評估黑匣子的診斷結果，這就是我們的工作重點。另外，我們還研發了基于影像和基因組學的腦轉移瘤治療方案決策系統、胰腺癌（早期）智能診斷／預測系統。以上便是我今天帶來的演講內容，謝謝大家！