侵權(quán)投訴
訂閱
糾錯
加入自媒體

騰訊8篇論文入選MICCAI2019 AI與醫(yī)療越走越近

2019-10-12 15:05
來源: 粵訊

國際頂級人工智能醫(yī)學(xué)影像學(xué)術(shù)會議MICCAI 2019會期臨近,論文錄用結(jié)果陸續(xù)揭曉,騰訊共計(jì)入選8篇論文,涵蓋病理癌癥圖像分類、醫(yī)學(xué)影像分割、CT病灶檢測、機(jī)器學(xué)習(xí)等范疇。

近年來AI醫(yī)學(xué)蓬勃發(fā)展,以“騰訊覓影”為代表的AI醫(yī)學(xué)解決方案快速進(jìn)入多種疾病的診斷核心環(huán)節(jié)。不過,醫(yī)學(xué)影像數(shù)據(jù)質(zhì)量參差不齊,人工標(biāo)注難度大等行業(yè)性難題,導(dǎo)致AI在醫(yī)學(xué)上的學(xué)習(xí)和應(yīng)用面臨諸多挑戰(zhàn)。在此次MICCAI 2019中,騰訊旗下兩大AI實(shí)驗(yàn)室——騰訊優(yōu)圖實(shí)驗(yàn)室與騰訊AI Lab分別從深度學(xué)習(xí)效率提升,以及醫(yī)學(xué)臨床應(yīng)用角度進(jìn)行創(chuàng)新性研究,各入選4篇論文。

提升深度學(xué)習(xí)效率:彌補(bǔ)“小數(shù)據(jù)”短板

將AI應(yīng)用于醫(yī)學(xué)圖像分類的一大挑戰(zhàn)是訓(xùn)練數(shù)據(jù)少,其中一個解決辦法是結(jié)合遷移學(xué)習(xí)、多任務(wù)學(xué)習(xí)、半監(jiān)督學(xué)習(xí)等多種訓(xùn)練方式。騰訊AI Lab的研究把三種方法整合在統(tǒng)一框架中,從而疊加各方法的貢獻(xiàn),并公平對比不同場景下各方法的貢獻(xiàn)。

image.png

圖注:半監(jiān)督學(xué)習(xí)前沿的一致性約束算法(包括VAT和PI-model)和廣泛采用的多任務(wù)學(xué)習(xí)算法(hard parameter sharing)整合在一個網(wǎng)絡(luò)中,采用交替任務(wù)的方式進(jìn)行端到端的訓(xùn)練,通過初始點(diǎn)的設(shè)定融入遷移學(xué)習(xí)。

在胃鏡圖片良惡性分類問題上的一系列實(shí)驗(yàn)說明:單獨(dú)使用時遷移學(xué)習(xí)提升性能最顯著;遷移學(xué)習(xí)基礎(chǔ)上,多任務(wù)學(xué)習(xí)在項(xiàng)目早期數(shù)據(jù)量較小時可進(jìn)一步提高,而半監(jiān)督學(xué)習(xí)可在較大數(shù)據(jù)量上持續(xù)提升;三者組合并利用大參數(shù)量網(wǎng)絡(luò)可獲得更好性能。這項(xiàng)研究成果將可用來指導(dǎo)如何單獨(dú)或組合使用遷移學(xué)習(xí)、多任務(wù)學(xué)習(xí)和半監(jiān)督學(xué)習(xí)提升醫(yī)學(xué)分類模型的準(zhǔn)確率。

與此同時,騰訊優(yōu)圖實(shí)驗(yàn)室的研究,則有望在解決醫(yī)學(xué)影像標(biāo)注難題上找到新思路:醫(yī)療圖像(如CT,MRI)往往是三維數(shù)據(jù),該類數(shù)據(jù)存在標(biāo)注難度大,標(biāo)注信息難以獲取等問題,這導(dǎo)致標(biāo)注的三維醫(yī)學(xué)圖像數(shù)量通常不足以很好地訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)。騰訊優(yōu)圖實(shí)驗(yàn)室提出了一種深度挖掘原始數(shù)據(jù)信息的自監(jiān)督學(xué)習(xí)方法,通過模擬魔方復(fù)原過程,使網(wǎng)絡(luò)自發(fā)地在原始數(shù)據(jù)中提取有用信息。

這項(xiàng)研究有望減少深度學(xué)習(xí)網(wǎng)絡(luò)對數(shù)據(jù)量的需求,提高后續(xù)監(jiān)督任務(wù)的準(zhǔn)確率。同時,這也是業(yè)內(nèi)首次提出三維自監(jiān)督學(xué)習(xí)方法,有望彌補(bǔ)業(yè)內(nèi)的研究空白。

image.png

圖注:模擬魔方復(fù)原過程的自監(jiān)督學(xué)習(xí)框架。該框架包含兩個操作:打亂立方塊順序及旋轉(zhuǎn)立方塊方向。

此外,騰訊優(yōu)圖實(shí)驗(yàn)室的另一項(xiàng)研究則提出了成對分割框架,通過有效挖掘醫(yī)療影像切片間的關(guān)系,并以代理監(jiān)督的形式加以約束,從而通過不同切片之間的配對,大幅提升標(biāo)注數(shù)據(jù)的數(shù)量和相鄰切片預(yù)測結(jié)果的光滑性和一致性。這一方法能夠在標(biāo)注數(shù)據(jù)不足的條件下進(jìn)行語義分割這一現(xiàn)實(shí)場景發(fā)揮效用,通過有效挖掘先驗(yàn)知識,彌補(bǔ)數(shù)據(jù)量不足的問題。

AI病理研究新突破:弱監(jiān)督、無標(biāo)簽、色彩歸一

騰訊AI Lab 醫(yī)療中心首席科學(xué)家姚建華博士曾介紹病理AI的三個主要研究方向:一是基于AI技術(shù)的病理診斷模型,二是病理組學(xué),三是基于AI技術(shù)的病理預(yù)后預(yù)測模型,三個方向分別幫助醫(yī)生提高診斷效率、一致率、準(zhǔn)確率,以及新增了醫(yī)生的預(yù)測療效能力。此次在MICCAI 2019上,騰訊AI Lab在病理分析上連發(fā)3篇論文,闡述其在AI病理分析上的研究新突破。

研究之一由騰訊AI Lab與中山大學(xué)附屬第六醫(yī)院合作,提出一種僅使用臨床診斷結(jié)果作為弱監(jiān)督信號來訓(xùn)練分類器的方法,對從病理圖像中拆分出的瓦塊進(jìn)行自動分類。這個新的分類方法可加速病理圖像分類器的開發(fā),通過結(jié)合智能顯微鏡,為臨床醫(yī)生提供實(shí)時的診斷意見,降低誤診的發(fā)生。

image.png

圖注:腸癌病理組織HE染色切片。通過結(jié)合智能顯微鏡,可以為臨床醫(yī)生提供實(shí)時的診斷意見,降低誤診的發(fā)生。

研究之二則由騰訊AI Lab與華南理工大學(xué)、中山大學(xué)附屬第六醫(yī)院合作,提出一種無標(biāo)簽領(lǐng)域自適應(yīng)算法,來訓(xùn)練具有領(lǐng)域不變性的深度神經(jīng)網(wǎng)絡(luò),從而通過探索全視野數(shù)字切片的標(biāo)注信息,解決無標(biāo)簽顯微鏡圖像的分類任務(wù);谠摲椒ㄓ(xùn)練出來的深度神經(jīng)網(wǎng)絡(luò),在不使用任何帶標(biāo)注顯微鏡數(shù)據(jù)的情況下,在顯微鏡任務(wù)上取得了極為優(yōu)異的性能,甚至超過了使用部分帶標(biāo)注數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)。

研究之三則圍繞病理圖像的色彩歸一化。由于制片染色流程以及病理掃描儀的不同,數(shù)字病理圖像的色彩存在非常顯著的差異。因此,幾乎所有數(shù)字病理相關(guān)的分析之前都需要進(jìn)行色彩歸一化。騰訊AI Lab提出了一種針對病理圖像特點(diǎn)優(yōu)化的循環(huán)生成對抗網(wǎng)絡(luò),通過引入額外的輸入,引導(dǎo)生成器產(chǎn)生特定色彩風(fēng)格的病理圖像,從而穩(wěn)定訓(xùn)練過程中的循環(huán)一致性損失函數(shù)。相比與其他色彩歸一化方法,騰訊AI Lab提出的色彩歸一化網(wǎng)絡(luò)作為癌癥分類任務(wù)的前處理,能夠更好地提升后續(xù)任務(wù)的性能。

image.png

圖注: (上)測試數(shù)據(jù)來源于5個不同的醫(yī)學(xué)中心,本文提出的方法能將這些病理圖像都?xì)w一化到相近的色彩風(fēng)格。(下)將訓(xùn)練好的模型不經(jīng)過參數(shù)微調(diào)(fine-tune)直接在其他病理數(shù)據(jù)集上測試,同樣能進(jìn)行準(zhǔn)確的色彩歸一化。

AI研究更貼近臨床診斷需求:實(shí)時CT病灶檢測與眼底血管分割

在智能醫(yī)學(xué)影像分析上深耕多年的騰訊優(yōu)圖實(shí)驗(yàn)室醫(yī)療AI總監(jiān)鄭冶楓博士,在介紹AI算法研究經(jīng)驗(yàn)時曾表示:最重要的體會是不要改變醫(yī)生的現(xiàn)有流程,而是把AI技術(shù)無縫嵌入到醫(yī)生的檢查流程中去。此次在MICCAI 2019中,騰訊優(yōu)圖實(shí)驗(yàn)室?guī)砹藘身?xiàng)與臨床診斷需求非常緊密的研究成果。

研究之一是應(yīng)用在CT病灶檢測上。為了提升對不同尺寸病灶的檢測準(zhǔn)確性,騰訊優(yōu)圖實(shí)驗(yàn)室提出了一種利用通道和空間注意力機(jī)制的多尺度檢測器,首次在2D檢測網(wǎng)絡(luò)上達(dá)到比3D檢測網(wǎng)絡(luò)更準(zhǔn)確的結(jié)果,使得檢測效率更高,為后續(xù)病灶檢測方法的研究提供了堅(jiān)實(shí)的基礎(chǔ)。值得一提的是,這一方法還可以為臨床醫(yī)生提供實(shí)時的病灶檢測結(jié)果,提高醫(yī)生分析CT圖像的效率。

研究之二則是應(yīng)用于眼底血管分割。眼底血管是人體唯一一處可以直接無介入觀測的血管,很多全身性的疾病和心腦血管疾病都會影響眼底動脈和靜脈的形態(tài)。因此,自動化的血管分割和動靜脈分類具有重要的臨床意義。騰訊優(yōu)圖實(shí)驗(yàn)室將深度學(xué)習(xí)和多任務(wù)模型引入血管分割和動靜脈分類任務(wù),同時實(shí)現(xiàn)端到端的動脈、靜脈及全血管的分割和分類。

這項(xiàng)研究成果極大地提高了眼底血管分類的精度和預(yù)測速度,實(shí)現(xiàn)了端到端的血管分割和動靜脈分類。為眼底血管的精確量化打下了基礎(chǔ),進(jìn)而可以促進(jìn)全身性疾病和心腦血管疾病在眼底生物標(biāo)記的相關(guān)研究。

image.png

圖注:動靜脈血管分割和分類效果圖。(A)原始圖片;(B)(E)血管分割和動靜脈分類標(biāo)簽;(C)(F)模型預(yù)測結(jié)果; (D)(G) 局部細(xì)節(jié)放大圖

加速研究到應(yīng)用轉(zhuǎn)化

作為“騰訊覓影”背后的技術(shù)提供者,騰訊優(yōu)圖實(shí)驗(yàn)室與騰訊AI Lab的研究成果已源源不斷地落地于真實(shí)的臨床研究和應(yīng)用探索中。目前,“騰訊覓影”已能利用AI醫(yī)學(xué)影像分析輔助臨床醫(yī)生篩查早期肺癌、眼底病變、結(jié)直腸腫瘤、宮頸癌、乳腺腫瘤等疾病,以及利用AI輔診引擎輔助醫(yī)生對700多種疾病風(fēng)險進(jìn)行識別和預(yù)測。

與此同時,AI技術(shù)在臨床上的有效性也正在被逐步驗(yàn)證。在北京、上海、廣州、溫州、南寧、德清等地,“騰訊覓影”在學(xué)科帶頭人的帶領(lǐng)下分別針對早期肺癌、消化道腫瘤、眼底疾病等進(jìn)行臨床實(shí)驗(yàn)及科研合作,希望以技術(shù)幫助優(yōu)化醫(yī)療資源的不均衡。

聲明: 本文系OFweek根據(jù)授權(quán)轉(zhuǎn)載自其它媒體或授權(quán)刊載,目的在于信息傳遞,并不代表本站贊同其觀點(diǎn)和對其真實(shí)性負(fù)責(zé),如有新聞稿件和圖片作品的內(nèi)容、版權(quán)以及其它問題的,請聯(lián)系我們。

發(fā)表評論

0條評論,0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無評論

暫無評論

醫(yī)療科技 獵頭職位 更多
文章糾錯
x
*文字標(biāo)題:
*糾錯內(nèi)容:
聯(lián)系郵箱:
*驗(yàn) 證 碼:

粵公網(wǎng)安備 44030502002758號