世界尖端人工智能医学印象学术会议MICCAI 2019会期接近，论文选用成果连续揭晓，腾讯合计当选8篇论文，包括病理癌症图画分类、医学印象切割、CT病灶检测、机器学习等范畴。
近年来AI医学蓬勃发展，以“腾讯觅影”为代表的AI医学处理方案快速进入多种疾病的确诊中心环节。不过，医学印象数据质量良莠不齐，人工标示难度大等职业性难题，导致AI在医学上的学习和运用面对许多应战。在此次MICCAI 2019中，腾讯旗下两大AI试验室——腾讯AI Lab与腾讯优图试验室别离从深度学习功率进步，以及医学临床运用视点进行立异性研讨，各当选4篇论文。
进步深度学习功率：补偿“小数据”短板
将AI运用于医学图画分类的一大应战是练习数据少，其间一个处理办法是结合搬迁学习、多使命学习、半监督学习等多种练习办法。腾讯AI Lab的研讨把三种办法整合在共同结构中，然后叠加各办法的奉献，并公正比照不同场景下各办法的奉献。
图注：半监督学习前沿的共同性束缚算法（包括VAT和PI-model）和广泛选用的多使命学习算法（hard parameter sharing）整合在一个网络中，选用替换使命的办法进行端到端的练习，通过初始点的设定融入搬迁学习。
在胃镜图片良恶性分类问题上的一系列试验阐明：独自运用时搬迁学习进步功能最明显；搬迁学习根底上，多使命学习在项现在期数据量较小时可进一步进步，而半监督学习可在较大数据量上继续进步；三者组兼并运用大参数量网络可获得更好功能。这项研讨成果将可用来辅导怎么独自或组合运用搬迁学习、多使命学习和半监督学习进步医学分类模型的准确率。
与此一起，腾讯优图试验室的研讨，则有望在处理医学印象标示难题上找到新思路：医疗图画（如CT，MRI）往往是三维数据，该类数据存在标示难度大，标示信息难以获取等问题，这导致标示的三维医学图画数量一般缺乏以很好地练习深度学习网络。腾讯优图试验室提出了一种深度发掘原始数据信息的自监督学习办法，通过模仿魔方恢复进程，使网络自发地在原始数据中提取有用信息。
这项研讨有望削减深度学习网络对数据量的需求，进步后续监督使命的准确率。一起，这也是业界初次提出三维自监督学习办法，有望补偿业界的研讨空白。
图注：模仿魔方恢复进程的自监督学习结构。该结构包括两个操作：打乱立方块次序及旋转立方块方向。
此外，腾讯优图试验室的另一项研讨则提出了成对切割结构，通过有用发掘医疗印象切片间的联系，并以署理监督的方式加以束缚，然后通过不同切片之间的配对，大幅进步标示数据的数量和相邻切片猜测成果的光滑性和共同性。这一办法能够在标示数据缺乏的条件下进行语义切割这一实际场景发挥功效，通过有用发掘先验常识，补偿数据量缺乏的问题。
AI病理研讨新打破：弱监督、无标签、颜色归一
腾讯AI Lab 医疗中心首席科学家姚建华博士曾介绍病理AI的三个首要研讨方向：一是根据AI技能的病理确诊模型，二是病理组学，三是根据AI技能的病理预后猜测模型，三个方向别离协助医师进步确诊功率、共同率、准确率，以及新增了医师的猜测效果才能。此次在MICCAI 2019上，腾讯AI Lab在病理剖析上连发3篇论文，论述其在AI病理剖析上的研讨新打破。
研讨之一由腾讯AI Lab与中山大学隶属第六医院协作，提出一种仅运用临床确诊成果作为弱监督信号来练习分类器的办法，对从病理图画中拆分出的瓦块进行主动分类。这个新的分类办法可加快病理图画分类器的开发，通过结合智能显微镜，为临床医师供给实时的确诊定见，下降误诊的发作。
图注：肠癌病理安排HE染色切片。通过结合智能显微镜，可认为临床医师供给实时的确诊定见，下降误诊的发作。
研讨之二则由腾讯AI Lab与华南理工大学、中山大学隶属第六医院协作，提出一种无标签范畴自适应算法，来练习具有范畴不变性的深度神经网络，然后通过探究全视界数字切片的标示信息，处理无标签显微镜图画的分类使命。根据该办法练习出来的深度神经网络，在不运用任何带标示显微镜数据的情况下，在显微镜使命上取得了极为优异的功能，乃至超过了运用部分带标示数据练习的神经网络。
研讨之三则环绕病理图画的颜色归一化。因为制片染色流程以及病理扫描仪的不同，数字病理图画的颜色存在十分明显的差异。因而，简直一切数字病理相关的剖析之前都需求进行颜色归一化。腾讯AI Lab提出了一种针对病理图画特色优化的循环生成对立网络，通过引进额定的输入，引导生成器发生特定颜色风格的病理图画，然后安稳练习进程中的循环共同性丢失函数。比较与其他颜色归一化办法，腾讯AI Lab提出的颜色归一化网络作为癌症分类使命的前处理，能够更好地进步后续使命的功能。
图注： （上）测验数据来源于5个不同的医学中心，本文提出的办法能将这些病理图画都归一化到附近的颜色风格。（下）将练习好的模型不通过参数微调(fine-tune)直接在其他病理数据集上测验，相同能进行准确的颜色归一化。
AI研讨更靠近临床确诊需求：实时CT病灶检测与眼底血管切割
在智能医学印象剖析上深耕多年的腾讯优图试验室医疗AI总监郑冶枫博士，在介绍AI算法研讨经历时曾表明：最重要的体会是不要改动医师的现有流程，而是把AI技能无缝嵌入到医师的查看流程中去。此次在MICCAI 2019中，腾讯优图试验室带来了两项与临床确诊需求十分严密的研讨成果。
研讨之一是运用在CT病灶检测上。为了进步对不同标准病灶的检测准确性，腾讯优图试验室提出了一种运用通道和空间注意力机制的多标准检测器，初次在2D检测网络上到达比3D检测网络更准确的成果，使得检测功率更高，为后续病灶检测办法的研讨供给了坚实的根底。值得一提的是，这一办法还可认为临床医师供给实时的病灶检测成果，进步医师剖析CT图画的功率。
研讨之二则是运用于眼底血管切割。眼底血管是人体仅有一处能够直接无介入观测的血管，许多全身性的疾病和心脑血管疾病都会影响眼底动脉和静脉的形状。因而，主动化的血管切割和动静脉分类具有重要的临床意义。腾讯优图试验室将深度学习和多使命模型引进血管切割和动静脉分类使命，一起完成端到端的动脉、静脉及全血管的切割和分类。
这项研讨成果极大地进步了眼底血管分类的精度和猜测速度，完成了端到端的血管切割和动静脉分类。为眼底血管的准确量化打下了根底，从而能够促进全身性疾病和心脑血管疾病在眼底生物符号的相关研讨。
图注：动静脉血管切割和分类效果图。(A)原始图片;(B)(E)血管切割和动静脉分类标签;(C)(F)模型猜测成果; (D)(G) 部分细节扩大图
加快研讨到运用转化
作为“腾讯觅影”背面的技能供给者，腾讯优图试验室与腾讯AI Lab的研讨成果已源源不断地落地于实在的临床研讨和运用探究中。现在，“腾讯觅影”已能运用AI医学印象剖析辅佐临床医师筛查前期肺癌、眼底病变、结直肠肿瘤、宫颈癌、乳腺肿瘤等疾病，以及运用AI辅诊引擎辅佐医师对700多种疾病危险进行辨认和猜测。
与此一起，AI技能在临床上的有用性也正在被逐渐验证。在北京、上海、广州、温州、南宁、德清等地，“腾讯觅影”在学科带头人的带领下别离针对前期肺癌、消化道肿瘤、眼底疾病等进行临床试验及科研协作，期望以技能协助优化医疗资源的不均衡。
