yocsef广州与深圳联合举办大湾区it创新论坛：“ai 医疗影像”落地之难，难在何处？-k8凯发旗舰

近年来，人工智能快速发展、赋能千行百业，催生新技术、新产品、新业态。ai医学影像是以新一代人工智能技术、高性能计算以及医学影像大数据共同促进出现的时代产物，也是当今医学发展非常重要的需求方向。近年来，在政策的不断推动、科技的落地应用和疫情的催化下，医疗行业正在进入数字化、智能化的爆发期。ai医学影像被认为是医疗行业中最有可能率先实现智能化的领域，包括美国、中国、欧盟在内的全球多个国家及地区都在大力推动ai医学影像的发展。随着医学影像数据指数级扩增、人工智能算法模型持续优化等，ai在医学影像领域日新月异，相关论文指数级增长，也有越来越多的ai技术逐渐成熟并陆续落地到临床应用。但ai医学影像产品在实际大规模落地时还面临很多挑战，例如算法精度、效率、可用性、安全性和可解释性等，因此需要医生、学者专家、公司和政府通力合作，才能推动医疗人工智能行业的健康成长。为此，中国计算机学会青年计算机科技论坛（ccf yocsef）广州分论坛与深圳分论坛于2022年8月15日在中山大学东校区联合举办了yocsef大湾区it创新论坛——“‘ai 医疗影像’落地之难，难在何处？”技术论坛，共同探讨ai赋能医学影像分析的主要瓶颈与破局之策。

此次论坛由yocsef广州ac委员李冠彬（中山大学）和yocsef深圳主席汤步洲（哈尔滨工业大学（深圳））共同担任执行主席，中山大学计算机学院和哈尔滨工业大学（深圳）计算机科学与技术学院共同承办，广州唐邦信息科技有限公司提供赞助支持。

yocsef总部主席陶耀东，yocsef广州往届主席谭台哲（广东工业大学）、黄书强（暨南大学）、王昌栋（中山大学），yocsef广州现任主席黄栋（华南农业大学），yocsef广州往届与现任ac委员胡建芳（中山大学）、龙锦益（暨南大学）、孙为军（广东工业大学）、曾安（广东工业大学）、傅城州（广东药科大学）、李春英（广东技术师范大学）、梁鹏（广东技术师范大学），以及来自全国多所高校及企事业单位共100多人线下或线上参加了此次论坛。

图1 论坛背景

在论坛开始之前，部分与会嘉宾在超算中心工作人员的陪同下参观了位于国家超级计算广州中心的天河二号超级计算机。通过超算中心工作人员的讲解，各位专家学者参观了天河二号超级计算机的机房，近距离了解了天河二号各部块的技术背景及我国在超级计算机课题上取得的丰硕成果。

图2 国家超算广州中心参观合影留念

在论坛开幕环节，首先由yocsef总部主席陶耀东、中山大学计算机学院肖侬院长、哈尔滨工业大学（深圳）计算机学院何道敬副院长，分别代表yocsef总部、中山大学计算机学院和哈尔滨工业大学（深圳）计算机科学与技术学院致辞。陶耀东对yocsef的规则和文化做了简要介绍，肯定了此次论坛选题的思辨价值，期待此次论坛能激发更多对于ai医疗图像分析技术的讨论及思考。肖侬对线下与线上的参会人士表示了欢迎，并对ai 医疗图像的难点与现状进行了阐述，此外亦介绍了中山大学计算机学院在ai方面的成果与进展。何道敬对哈工大（深圳）计算机学院的人工智能医疗力量进行了介绍，抛出了如何提升模型在医疗领域应用的可靠性的议题供大家思考，并预祝了此次论坛取得圆满成功。

图3 yocsef总部主席陶耀东致辞

图4 中山大学计算机学院肖侬院长致辞

图5 哈尔滨工业大学（深圳）计算机学院何道敬副院长致辞

此次论坛邀请了中山大学计算机学院王瑞轩副教授、深圳大学生物医学工程学院雷柏英特聘教授、华中科技大学电信学院杨欣教授、中山大学生物医学工程学院高智凡副教授作为引导发言嘉宾，中国科学院深圳先进技术研究院王书强研究员、中山大学肿瘤防治中心影像科刘立志主任、深睿医疗联合创始人李一鸣首席技术官作为思辨嘉宾。

王瑞轩副教授以“基于医学图像的疾病智能诊断-部分挑战与示例”为题，介绍了目前医疗图像智能分析任务所遇到的疾病种类多，罕见病数量少的问题，及其在不均衡分类、异常检测、终身学习以及小样本学习四个方面对此问题进行的探索。雷柏英教授以“面向临床应用的智能筛查、检测和诊断”为题，分析了医学界对于医学影像智能分析技术的需求，并介绍了在阿兹海默症，帕金森症，自闭症及强迫症等脑科学方面的医学影像智能分析相关研究成果。杨欣教授以“医学影像智能分割检测中的小样本与大数据学习”为题，提出医疗图像通常具有小样本的特性，并以血管分割等任务为例，介绍了在小样本场景下对于模型改进的多种尝试。高智凡副教授以“心脏医学影像智能分析”为题，从医学角度表述了心脏图像对于ai技术的临床需求及相关任务，并介绍了具体ai技术在心脏医学影像上的应用案例。

图6 中山大学计算机学院王瑞轩副教授作引导报告

图7 深圳大学生物医学工程学院雷柏英教授作引导报告

图8 华中科技大学电信学院杨欣教授作引导报告

图9 中山大学生物医学工程学院高智凡副教授作引导报告

在引导报告之后，论坛进入思辨环节。线下会场与线上会场的嘉宾围绕“ai赋能医疗影像的壁垒在数据还是技术？”、 “ai 医疗的理论与其实际落地之间是否已经脱节？”、“‘ai 医疗影像’未来路径几何？”等三个议题展开了深入思辨。

思辨议题一：ai赋能医疗影像的壁垒在数据还是技术？

一方面，医学图像因标注成本高，收集难度大等原因常常面对数据缺乏的问题；而另一方面，现今的计算机技术在医学图像分析领域仍有发展空间。在论坛上，部分与会嘉宾提出，医疗数据的缺乏限制了ai模型的发展。其指出，在有足够数据的支持下，ai技术目前应已超过80%或者90%的医生的诊断。但在数据方面，首先其缺乏政策的合理管控，法律上目前还不存在相关条款规范管理数据的使用，导致在ai技术落地的时候难以确认责任方；其次，由于数据的敏感性，医院的模型经常缺乏多中心的数据进行训练及验证，导致其性能缺乏鲁棒性和普适性；最后，由于标注成本较高，对于部分罕见病，公开数据集十分稀少，难以构建一个评价标准。

但同时，亦有与会嘉宾提出不同观点。其认为，对于有限的数据，应该提高技术水平，综合多中心的数据，从中学习到更具有代表性的特征，而非仅要求医生对数据进行完善。综合来看，数据与技术构成一种相辅相成的关系，智能医疗图像分析技术两者缺一不可。

思辨议题二：ai 医疗的理论与其实际落地之间是否已经脱节？

现在随着深度学习以及人工智能技术的发展，ai 医疗影像相关的研究或者论文数量呈指数级的增长，但与此同时，在临床应用中真正能够大规模应用的相对来说占比较少。对此议题，与会嘉宾对此现象的成因、本质及后续当如何改善进行了探讨。有嘉宾认为，虽然现在许多技术仍离落地存在一定的距离，但现今技术之“厚积”正是为其“薄发”而作基础储备，或在未来为其技术落地产品提供支撑。与此同时，医学界嘉宾也提出，医生对于智能医疗图像分析技术有着较大的需求及期待，但计算机界与医学界之间存在的认知壁垒或为技术难以落地的一大原因。此外，目前由于技术仍处于发展阶段，医生对于ai技术仍存在不信任等问题，导致医生在ai辅助下有可能因频繁复查ai结果反而增多了工作量，拖慢工作效率，使得相关产品的推广较为困难。针对这一问题，有嘉宾提出在产品的研发中，研发人员应与一线临床医生进行有效沟通，在提高准确率的同时亦专注于用户体验设计临床实验，量化估计产品对于医生效率的提高程度。同时，医生亦需积极提供医学背景知识，参与配合测试产品的使用体验，通力合作最终加速技术的大规模落地。

思辨议题三：‘ai 医疗影像’未来路径几何？

“ai 医疗影像”本身为跨学科研究，因此，两个领域的相关知识对于此学科从业人员来说都缺一不可。从人才培养的角度来说，是“ai 医疗”（从ai专业走向医疗领域）的培养模式更佳，还是“医疗 ai”（从医学专业走向ai技术）的培养模式更佳？从科研合作的角度来说，其交叉领域研究应以医生为主，还是以计算机专业人员为主？“ai 医疗影像”技术发展现在处在一个什么时期，未来是否存在一个技术的转折点？与会嘉宾们结合自身的经验，对以上几个子议题阐述了自己的观点。与会嘉宾认为，在人才方面，医学生与计算机专业学生在思维方面上存在差别，各有优势。对计算机从业人员来说，医学是高深且复杂的，其浩如烟海的名词与环环相扣的背景知识非短期内可以被掌握。而对于医学从业人员来说，计算机虽然是被广泛使用的日常工具，但深入学习所产生的学习成本亦使工作繁重的医生群体望而却步。因此，最佳的k8凯发旗舰的解决方案应需要“ai 医疗”的人才和“医疗 ai”的人才相辅相成、相互成就。现今，智能医疗图像分析技术的开发仍主要为“ai 医疗”的相关人员进行主导。计算机从业人员有了临床上的了解之后，能够从数据层面、从特征层面更好地去设计相应的模型来解释及解决相应的问题。在未来，希望有更多的医学从业人员参与进技术的开发之中，可以更深入地理解模型背后的运行原理及机制。两个行业的人员充分交流，互相影响，才能最终在智能医疗影像分析技术这条路上走得更远，达到业界所期望的目标。

图10 嘉宾热议

此次论坛邀请计算机界与医学界相关领域知名专家学者，围绕“ai 医疗图像”对于相关热点问题进行了多方面的探讨。一方面，本次论坛构建了医学界与计算机界人士的沟通桥梁，消融其间的信息壁垒，让医生更好地了解到现今ai技术发展现状的同时也让计算机专家有效了解了医生需求；另一方面，此次论坛也着眼于技术落地难在何处这一话题，为学者们提供了深入的思辨与交流机会。此次论坛历时近四小时，最后在线下会场与线上云会场一片热烈的氛围中圆满结束。

图11 论坛线下会场

图12 与会嘉宾合影留念