AI在医疗领域如何突破？平安科技10篇入选美国顶级年会的论文，来告诉你

AI + 医疗还能玩出什么新花样？

日前，平安科技人工智能中心的10篇论文，入选了国际医学图像计算机辅助干预会议MICCAI 2019年会和北美放射学年会RSNA2019。

MICCAI（InternationalConference on Medical Image Computing and Computer Assisted Intervention） 是聚焦于医疗图像处理和辅助治疗技术方面的综合性学术顶级年会，由国际医学图像计算和计算机辅助干预协会主办。SNA（RadiologySociety of North American）是放射医学界的盛会和放射医学临床研究的风向标，每年11月底至12月初在美国芝加哥召开，是全球放射学临床研究成果和主要医疗器械厂商产品发布的重要场合，会议论文代表了放射医学界医学应用研究的最高水平。

看不懂？没关系，简单来说这两个都属于美国顶级年会。

此次平安科技的研究成果，既有应用研究，比如基于医学图像的辅助诊断和治疗，也有对医学图像人工智能领域基础性工作的总结思考。

有哪些和大家身体健康息息相关的内容呢？

髋部骨折敏感度95%以上

髋部骨折是创伤常见问题，据统计髋部骨折约占全身骨折的20%以上，且具有极高的致残率及病死率。

髋部骨折通常在急诊科使用髋关节X光进行诊断，由于可能伴随内出血，急诊科医生需要在短时间内对骨折做出准确的判断。

髋关节和盆骨结构复杂，常与其他内脏器官重叠在X光内形成伪影，这对骨折的诊断造成一定困难，这使得在急诊室的高压力环境下，经常出现骨折的误诊或漏诊。

平安科技人工智能中心和长庚医院的创伤急诊中心合作，提出新的检测髋关节和盆腔所有部位骨折的AI技术（Weakly Supervised Universal Fracture Detection in Pelvic X-ray）。

该技术对髋关节各部位骨折的敏感度和特异度均达到95%以上，而对于常见于老年人的股骨骨折则达到99%的高敏感度。该算法已经达到国际领先医院的创伤外科、急诊科医生的水平。

图一：髋部骨折自动检测系统，红色块为AI自动检出的骨折部位无监督学习识别异常胸片

X光胸片是放射科室业务中占比最大的影像种类。随着2017年NIH发布胸片公开数据集以来，对于X光胸片人工智能应用层出不穷。

由于胸片数量大，各个医院乃至同一个医院不同设备数据来源不一。另外，现在主流的AI系统开发都是采用有监督的深度学习方法，要求医生对于各种胸片的疾病征象都需要标注，这造成研发工作中的较大负担。

因此，平安科技人工智能中心和NIH合作，对于数据来源不同的X光片如何自适应，以及采用弱监督甚至无监督的方式对异常胸片的识别，进行了相关探索，均获得满意的结果。

研发出的无监督方式下的TUNA-NET，在儿童肺炎X光片的识别的任务上获得了AUROC=0.963的结果，已经非常接近于有监督学习的结果（AUROC=0.981）。

图二：TUNA-Net的无监督学习条件下儿童肺炎识别食管癌靶区自动规划

在放射治疗中，临床靶向区域(CTV:Clinical Target Volume)既要涵盖可见的肿瘤区域，也要包括微观的肿瘤细胞可能扩散到的区域，如淋巴结。

这在实际操作中比较困难，非常依赖放疗肿瘤主治医生的水平，不同的医生之间勾画的临床靶向区域会有较大差异。

因此，客观的临床靶向区域分割算法在食道癌放疗规划中起到关键的作用。

平安科技人工智能中心提出的研究方法将食道癌的临床靶向区域的分割设计为一个同时基于空间位置/距离和图像特征的模型，其中空间模型包含了肿瘤，淋巴结，和风险器官的空间位置和距离信息。

这样的深度学习模型可以更好的去推断临床靶向区域的边界。

图三 食道癌放疗规划临床靶区规划的效果图通用病灶检测精度再提高

影像学医生的日常主要工作，是对医学图像进行仔细阅读，找到各种病灶，测量其大小，然后在影像报告中对病灶进行描述。

因此，自动病灶检测、描述/分类、分割算法历来是医学影像人工智能的研究重点。

然而，前人的工作大多集中在特定器官的单一任务的算法，如肺、肝脏中的病灶检测或测量等工作。

平安科技人工智能中心的研究尝试将检测、描述和分割三个任务结合起来，基于合作伙伴NIH发布的DeepLesion数据集，平安科技人工智能中心开发了通用病灶检测系统、描述系统和分割系统，并通过一个实例分割框架将这三部分有机地结合在一起，同时辅助以3D特征融合策略和决策调整策略来利用病灶描述结果改善病灶检测精度。

该研究在DeepLesion数据集上取得了通用病灶检测的最好精度，超过了之前结果最好的帝国理工大学团队。

图四：通用的病灶检测系统，先看出病灶长在哪里，再进行自动分类测量