为什么医学影像AI已进入「后深度学习时代」？

为什么医学影像AI已进入「后深度学习时代」？英国新首相 “深度学习正走向两极化，大部分研究深度学习的人员会偏向于工程化，包括建立更加全面、便捷、快速、可视化的深度学习平台，'暴力'地将深度学习应用到更加多的领域。小部分的深度学习研究者会偏

英国新首相

近日有关于英国新首相的话题受到了许多网友们的关注，大多数网友都想要知道英国新首相问题的具体情况，那么关于英国新首相的相关信息，小编也是在网上收集并整理的一些相关的信息，接下来就由小编来给大家分享下小编所收集到的与英国新首相问题相关的信息吧。

点击（前往）进行了解>>

以上就是关于英国新首相这个话题的相关信息了，希望小编分享给大家的这些新闻大家能够感兴趣哦。

“深度学习正走向两极化，大部分研究深度学习的人员会偏向于工程化，包括建立更加全面、便捷、快速、可视化的深度学习平台，'暴力'地将深度学习应用到更加多的领域。小部分的深度学习研究者会偏向于理论化，解决深度学习的理论瓶颈包括可解释性等问题。”密歇根州立大学汤继良教授曾如此总结到。

医疗AI热潮，无疑离不开这波深度学习的发展，但由于深度学习的天然局限性和医疗领域的特殊性，使得医疗AI这一交叉的领域，也在进入瓶颈期。

随着深度学习即将触及天花板，医学影像分析科研人员也随之分为两大派别：理论派和工程派。

理论派的初衷，是解决深度学习“短缺”的部分，强调人工设计和数学论证，通过预先构建先验知识，在不过度依赖大数据的前提下，开发出一个可解释的、高精度、可解决诸多长尾问题的“智能模型”。不少专家认为，医疗AI中有大量Mission Critical和长尾问题，这对研究人员的整体系统设计能力要求非常高，因此人的作用就显得尤为重要，而基于黑箱统计模型的深度学习，显然存在太多的弊病。

工程派的做法，则是进一步发挥深度学习自身的优势，扬长避短，获取更多标注数据，设置更多参数，用更强大的算力，训练出一个能够学习更多维度特征的“经验模型”。其本质是建立某种学习和搜索的Meta Method，依靠摩尔定律带来的指数增长的算力，让机器自行构建复杂的知识系统。

前者强调人工设计，后者依靠机器自主构建。

后深度学习时代的医疗AI研究走向，正朝着这两个看似极端的方向发展，工者愈工，理者愈理。

前者的难度在于理论的突破，从某种程度上取决于个别人的开创性研究成果；而后者在很大程度上取决于整个行业的数据标准化、开放化和监管进度。

二者虽殊途，但目的是同归。

深度学习+医学影像的瓶颈

电子科技大学教授李纯明曾在接受雷锋网AI掘金志采访时谈到，深度学习吸引人的地方在于，原则上它在不同的应用中均可以使用同样的训练算法框架。

只需替换训练数据和相应的标注进行训练，即可得出一个具有某种输入输出关系的多层神经网络。

输入一个数据，系统就输出一个结果，应用过程可以做到全自动。

但这种看起来一劳永逸的框架，在实际应用中还有一些局限。

以医学影像分析为例，由于医学影像数据复杂多变，不同器械商的成像设备、不同的成像参数选择、成像设备的更新换代等因素，都会导致图像性质（如信噪比、分辨率和伪影等等）的变化，以及不同病人与病情的差异也会导致图像特征的变化。

训练数据如果不够“大而全”，一旦遇到跟训练数据有一定差异的数据，加入一点噪音，神经网络输出的结果可能就会出很大的错误。但训练数据要多“大”多“全”？也并未有一个客观的量化标准。

深度学习需要用医生手工标注的数据，还要求训练数据和手工标注符合一定的标准。但数据的标准化，还尚未提出通用的法则遵循。而在算法层，深度学习的调参也并没有规律可循，调参难题至今未得到实质性解决。这些都可能会给深度学习的应用带来诸多不确定性，致使其在不同数据集上的性能可能会截然不同，鲁棒性较差。

在医疗领域的应用上，深度学习的不可解释性也是个无法回避的问题。医生和病人都很难接受这种不可解释的诊断结果和治疗方案，而当前工科会议的论文，基于不可解释的深度学习研究成果几乎是主流。

“数据驱动的深度学习只是数据处理的工具之一，它在医疗领域离真正的落地还有相当大的距离，还需在理论和技术上有所突破。学术界研究深度学习不应太工程化，应该多研究一些基础性的理论问题，提出更有性的算法。”李纯明谈到。

图片来源：图虫创意

“我认为，从眼前来讲，不应该一窝蜂都用数据驱动的深度学习。一些医学图像算法的开发也应该针对不同的应用，去设计不同的算法，开发者尽可能在算法中融入领域知识，设计出针对特定应用的个性化的方法，而不是对每个病种都在TensorFlow或Pytorch等开源框架上用不同的数据进行训练和调参。由于深度学习这种数据驱动的学习过程，是一种较少利用领域知识的机制，因此技术的开发也就几乎不需要开发者与医生的交流。医生在技术开发的过程中只起到了对训练数据手工标注的作用，也就是说医生被当作人工智能背后的‘标注工人’来用。”

“从长期来讲，数据为王的医学影像AI研究方法，在未来遇到的问题将会越来越多。当前多数学者更多停留在简单的工程问题，缺乏在基础研究上的突破性进展，企业界的技术开发也因此遭遇瓶颈。”

与此同时，现在的深度学习其实是一个有问题的框架，用大量标注数据做训练的方法，在过去几年很成功，但在解决医疗这类拥有诸多“非封闭”和”长尾”问题的领域，当前的深度学习主流研究，并不代表是正确的方向。

现阶段，计算机视觉系统是一个Training System，而不是一个Learning System，我们需要从Training System变成Learning System，让机器主动，并结合数据的结构、时间空间结构去学习，而不是被动地用人工训练来标注它。

目前行业走的是粗放型发展路线，是靠堆积数据和计算资源来换取高性能，这是资源而不是效率的竞赛。在大家把医学影像分析聚焦于Data Set的大环境下，虽然在工业界已有一定的成果，但理论派认为，性技术和基础研究，更值得工科人去关注和投入。

AI理论创新之外的解决方法

正是由于深度学习遭遇的种种问题，也促使优秀科学家加大了对基础理论的研究。

而另一方面，在部分临床问题中，也可通过在非技术层的行业标准构建等方法，来逐步推动医学影像AI辅助诊断的发展。

第一步，则需定义好要解决的问题。上海长征医院影像医学与核医学科主任刘士远在2018中国医学人工智能大会的演讲中指出，现在的AI医疗产品遇到的首个问题便是实用性差，如现在常见的影像AI产品大多是基于单病种图像标注形成的模型，尚未符合临床实用场景的产品，而且大多数产品性能的自报数据与实际检测数据不符，鲁棒性有待提高。AI产品往往只是集中在少数几个病种，难以覆盖全部医学影像问题。

其次，行业现在普遍缺乏标准化高质量的训练数据，国内外虽然有很多公开的数据库，但是存在同质化和人种差异等问题。而且众多人工智能企业和机构采用的训练数据集标准多样，系统偏差较大，行业缺乏医学图像和疾病征像的统一认识。整个行业的医疗数据保护和监管措施也有一定的缺失，数据不能被溯源，缺乏合法性和可分享性。同时业内也缺乏对数据使用标准的判断依据，在现有的法律基础上寻找合规使用和分享数据的渠道，也是迫在眉睫的一件事情。

刘士远建议到，构建标准库，离不开医生的参与。要形成与AI研发相关的标准和数据，需要在图像采集环节、标准库构建环节、病种的分布以及各种描述术语等层面，都要达成一定的共识。

2018年9月，国家颁布了《国家健康医疗大数据标准、安全和服务管理办法（试行）》。此外，在肺结节领域，中检院肺结节AI检验数据库标定专家组已经完成肺结节标准数据集建设。这些均为标准的建设，做好了铺垫。

当然，图像标注环节也存在很多问题，以肺结节标注过程为例，其主要存在以下问题：标注者队伍混乱，资质不一；图像征象认识不统一；图像标注方法不统一；图像分割方法不统一；图像量化方法不统一。

据了解，中检院在构建肺结节标准库的过程中，从全国招了250名5年以上经验的影像科医生志愿者，对他们进行了简单的测试，使用了30例结节，结果准确率只有30%，说明如果没有共识和基础培训，医生的标注准确率很低，非影像科医生甚至不是医生的准确率更难以想象。而标注的方式，有紧密包裹法、区域标注法等，不同的标注方法输出的结果也不尽相同。“图像分割如果没有统一的标准，结论的差别也会非常巨大。

还有量化的方法，到底是测直径，还是测体积，还是测质量，怎么测，行业都需要形成一致意见。

在医学影像AI模型检测阶段，也会存在生产过程不规范，模型效果和安全性缺乏公正评价，缺乏产品检测标准库和评价体系，缺乏相关法律法规、质控检查和管理制度等问题。在AI模型使用阶段，受欢迎程度，对医生的影响，过多的假阳性，伦理和法规，是否匹配医院和医生的需求等问题也尚待解决。”

另外，也需考虑其他问题：

产品应游离于信息系统之外，还是融合于信息系统之内？年轻医生对AI产品产生依赖之后，是否会导致业务能力下降？

数据的伦理和产品的伦理问题：数据的伦理就是数据的所有权、许可权和隐私权都需要制定规范，现在卫计委已经发布了相关标准和规范。第二个则是产品的伦理问题，随着产品的逐渐落地，产品的责任和影响都需要伦理的相关准则来考虑。刘士远教授还强调，影像诊断是全链条、多维度的工作，工作内容不仅仅是图像识别，需要充分发挥医生在医学影像AI研发过程中的作用。

在数据上，医生可以建立大样本的单病种数据库，提高训练数据质量，并在此基础上规范化标注，形成高质量训练集，还要学会在法律法规下分享和使用数据。

医生还应当成为质量控制和标准的制定者和执行者。如制定图像采集和图像质量的标准，制定数据库建设的构成比例、病种分布、病灶类型等专家共识，并形成各单病种影像征象和描写属于以及单病种AI模型数据标记专家共识。建立一套正确的基本伦理准则来指导AI的设计、管理和应用。

无论是AI理论创新，或是非理论层的行业标准建立，其均是医学影像AI成功的必备条件。