進擊的華為云醫(yī)療AI：頂會兩篇論文連發(fā)，研究和落地加速
乾明 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
同時兩篇研究成果被行業(yè)頂會收錄，華為云醫(yī)療AI布局，低調(diào)浮出水面。
2020年國際醫(yī)學(xué)圖像計算和計算機輔助干預(yù)會議（MICCAI 2020），論文接收結(jié)果已經(jīng)公布。
其中，華為云醫(yī)療AI團隊和華中科技大學(xué)合作的2篇研究成果入選。
MICCAI 2020橫跨醫(yī)學(xué)影像計算和計算機輔助介入兩個領(lǐng)域，已經(jīng)有16年發(fā)展歷史，是國際公認的行業(yè)頂尖學(xué)術(shù)會議。
不僅有國際影響力和學(xué)術(shù)權(quán)威性，還是醫(yī)學(xué)影像分析領(lǐng)域的前沿?zé)狳c風(fēng)向標(biāo)，更是驗證相關(guān)研究成果含金量的地方。
語義/實例分割問題是近年來醫(yī)學(xué)圖像計算領(lǐng)域的一個熱門研究課題，70％以上的國際競賽都是圍繞著它展開。
此次華為云醫(yī)療AI團隊的2篇論文，針對的是醫(yī)學(xué)圖像計算領(lǐng)域中語義/實例分割問題，探討如何將心臟、肝臟、前列腺等器官的原始圖像數(shù)據(jù)轉(zhuǎn)化為高價值的空間結(jié)構(gòu)化信息。
具有很強的臨床使用價值，不僅能夠輔助醫(yī)生決策，還能幫助醫(yī)生完成術(shù)前規(guī)劃，腫瘤動態(tài)監(jiān)控等任務(wù)。
在研究論文中，華為云醫(yī)療AI團隊提出的方法，用于解決由醫(yī)療設(shè)備成像、器官病灶本身構(gòu)造等因素造成的待分割物體邊緣不清晰問題——這是此前深度學(xué)習(xí)算法很難發(fā)揮效力的場景。
華為云團隊提出的兩個方法中，每一個都展示出了超越傳統(tǒng)方法的效果。
醫(yī)療+AI最新成果
其中一篇論文，名為“Pay More Attention to Discontinuity for Medical Image Segmentation”，研究的是如何分割好醫(yī)療影像中不連續(xù)的區(qū)域（比如器官病灶等）。
論文中表示，已有的分割方法在處理這種情況時，經(jīng)常錯誤地將區(qū)域內(nèi)的不連續(xù)位置誤判為區(qū)域邊界，導(dǎo)致預(yù)測的區(qū)域邊界不準(zhǔn)確。
比如下圖中的情況（左側(cè)是標(biāo)簽圖，右側(cè)是已有方法分割圖像的情況，黃圈是缺失部分）：
在這篇論文中，華為云醫(yī)療AI團隊聯(lián)合華中科技大學(xué)，論述了區(qū)域內(nèi)不連續(xù)問題導(dǎo)致邊緣分割不準(zhǔn)確的概念，并提出了解決方法：提升不連續(xù)位置的注意力。
具體來說，是應(yīng)用邊緣檢測器來識別不連續(xù)的位置，并將此“不連續(xù)”監(jiān)督信號添加到loss目標(biāo)函數(shù)中，配合常規(guī)Dice loss組合成多任務(wù)目標(biāo)學(xué)習(xí)函數(shù)，以此進行更精準(zhǔn)的邊緣識別，算法框架如下圖所示：
他們將這一算法在三種醫(yī)學(xué)圖像分割任務(wù)上進行了全方位驗證，分別是：MRI心臟分割數(shù)據(jù)集-Cardiac500、MRI前列腺分割數(shù)據(jù)集T2-SPIR和MRI肝臟分割數(shù)據(jù)集Medical Segmentation Decathlon。
結(jié)果顯示，相比于已有基線方法，衡量分割結(jié)果的核心指標(biāo)都有所提升。其中。在心臟分割遷移任務(wù)上Cardiac500遷移到ACDC的結(jié)果提升了5.1個百分點。
為了進一步驗證他們提出的方法有效性，他們還進一步分析了Cardiac500數(shù)據(jù)集中2645個測試樣本的分割結(jié)果分布，結(jié)果顯示完全消除了核心指標(biāo)小于0.8的樣本，相比之下，基線方法有13個樣本低于0.8。
另一篇論文，題目為“Learning Directional Feature Maps for CardiacMRI Segmentation”，同樣是華為云醫(yī)療AI團隊聯(lián)合華中科技大學(xué)的研究成果。
通常情況下，磁場不均勻和在核磁共振成像過程中臟器運動等因素會產(chǎn)生偽影，使得目標(biāo)邊界模糊。
但當(dāng)前基于深度學(xué)習(xí)的分割方法由于缺乏有效的語義像素級關(guān)聯(lián)，導(dǎo)致分割出來的目標(biāo)物體無法維系解剖學(xué)結(jié)構(gòu)，如下圖所示：
這就是華為云醫(yī)療AI團隊這篇論文要解決的問題，他們提出了一種通過學(xué)習(xí)方向特征圖，強化像素間語義級關(guān)聯(lián)，通過增加類間距，縮小類內(nèi)距，來維持物體解剖學(xué)結(jié)構(gòu)，實現(xiàn)高精度的邊緣分割。具體過程如下圖所示：
首先，用U-Net來學(xué)習(xí)初始分割效果圖。之后，基于U-Net主干，通過DF模塊學(xué)習(xí)每個像素方向場的強度信息和方向信息。
接下來，利用學(xué)習(xí)得到的方向場信息對初始分割效果進行迭代修正，使用臟器中間分割結(jié)果指導(dǎo)邊緣分割。最后，聯(lián)合初始分割效果+方向場學(xué)習(xí)+修訂的分割效果等任務(wù)進行多任務(wù)學(xué)習(xí)。
論文中展示了這一方法的分割以及泛化性能。相比已有的方法，其在心臟分割遷移任務(wù)上（Self-collected ->ACDC， ACDC ->Self-collected）分別提升了1.1個點和1.7個點。
基于行業(yè)熱點研究課題，兩篇論文都被業(yè)內(nèi)頂會收錄，華為云醫(yī)療AI的實力可見一斑。
基于上述兩種方法，華為云醫(yī)療AI團隊聯(lián)合華中科技大學(xué)聯(lián)合開發(fā)了一套基于深度學(xué)習(xí)的心臟AI服務(wù)，可實現(xiàn)心臟各結(jié)構(gòu)的自動分割、并進行精準(zhǔn)量化分析，實現(xiàn)單病例量化結(jié)果的秒級輸出，AI+醫(yī)生復(fù)核總體效率是純?nèi)斯ち炕u估速度的數(shù)十倍。目前，該服務(wù)已成功在華為云上線。
但這只是其近年來研究成果的一部分，華為云在醫(yī)療AI領(lǐng)域，已經(jīng)深耕許久，尤其是在醫(yī)學(xué)影像領(lǐng)域。
華為云醫(yī)療AI布局浮出水面
從研究成果來看，事實上，在去年的MICCAI以及MICCAI-MIML上，華為云醫(yī)療AI團隊已經(jīng)有3篇論文入圍，覆蓋宮頸癌篩查、腦中風(fēng)分割以及平片診斷報告自動生成等應(yīng)用場景。
在近年來多個醫(yī)學(xué)影像相關(guān)的AI挑戰(zhàn)賽事上，華為云的技術(shù)實力也都達到了世界領(lǐng)先水平。
比如在Grand-Challenge胎兒超聲影像頭圍測量比賽（HC18）上，華為云超過了香港中文大學(xué)、中國科學(xué)院、加拿大女王大學(xué)等100多個大學(xué)和科研機構(gòu)，以1.89mm的平均絕對誤差取得第一。
前段時間，我們報道了IEEE Fellow、AI大牛田奇加入擔(dān)任華為云人工智能領(lǐng)域首席科學(xué)家。
田奇作為計算機視覺領(lǐng)域大牛，主導(dǎo)AI視覺方向的前沿研究，他加入之后，想必會提升華為云在計算機視覺領(lǐng)域的基礎(chǔ)研究實力。
可以預(yù)見，在田奇加入后，華為云醫(yī)療AI，尤其是醫(yī)學(xué)影像方面，未來還會有更大的進展。
但不僅僅是研究，華為云還在積極探索怎樣將AI技術(shù)快速落地。
過去的這幾年，他們與醫(yī)療行業(yè)中的企業(yè)及醫(yī)院和高校合作，為用戶提供端到端的AI使能平臺，推動AI應(yīng)用到行業(yè)場景中。
2019年6月，華為云與金域醫(yī)學(xué)合作，在AI輔助病理診斷應(yīng)用開發(fā)方面取得突破性進展。
他們訓(xùn)練出的宮頸癌篩查模型，在排陰率高于60%的基礎(chǔ)上，陰性片判讀的正確率高于99%，同時，陽性病變的檢出率超過99.9%。
一舉成為國際上已公布的AI輔助宮頸癌篩查的最高水平。而且在診斷速度上也大大提升：每例病理判讀僅需36秒，是人工判讀的10倍。
疫情期間，華為云與藍網(wǎng)科技等合作伙伴，打造出了基于人工智能的醫(yī)療影像輔助診斷系統(tǒng)，將診斷效率從過去的10-15分鐘變?yōu)?0-15秒，極大地緩解了醫(yī)療壓力。
在多年技術(shù)的積累下，華為云已經(jīng)面向行業(yè)推出了企業(yè)級的醫(yī)療影像AI平臺，支撐全流程可追溯的端到端AI建模，助力醫(yī)療影像AI更加系統(tǒng)、快速、安全地走向市場。
此外，在基因組和制藥領(lǐng)域，華為云也有了不少布局和積累。
今年新冠疫情爆發(fā)后不久，華為云就與合作伙伴一起組成了聯(lián)合攻關(guān)團隊，基于華為云醫(yī)療智能體平臺（EIHealth），針對新冠病毒的所有21個靶標(biāo)蛋白進行計算機輔助藥物篩選。
在短短數(shù)小時內(nèi)完成了上千萬次的模擬計算，并及時公開了研究結(jié)果，為全球的抗病毒研發(fā)工作提供了支持。
而在之前，如此大規(guī)模的計算往往需要幾個月才能完成。
在全球抗疫形勢依舊嚴峻的情況下，如此助力體現(xiàn)出了AI普惠的一面，這也正是華為云對其醫(yī)療AI的期待：
解決醫(yī)療領(lǐng)域的基礎(chǔ)難題，通過AI技術(shù)轉(zhuǎn)換，為人類疾病預(yù)防、診斷、治療貢獻力量。
而在算力、算法以及應(yīng)用平臺等各個方面都成熟的情況下，華為云醫(yī)療AI推進的速度也在進一步加快。
