2018年7月14日一大早，37摄氏度的高温，1000多人涌入南京航空航天大学明故宫校区的一座礼堂，参加为期两天的第五届医学图像计算青年研讨会（Medical Imaging Computing Seminar，MICS）在这里举行。此前，MICS已经举办了四届，分别在深圳、广州、济南、上海等地的高校举办。

MICS创立于2014年，这个活动由美国北卡罗来纳大学教堂山分校教授、著名医学影像AI科学家沈定刚和一群该领域的青年学者发起。其宗旨是为医学图像领域的华人青年学者提供学术交流平台，增进相互之间的了解和友谊，帮助青年学者融入学术研究大家庭。

MICS聚焦于近两年内的医学图像计算领域原创研究，欢迎医学图像处理、计算机视觉、人工智能等新理论、新方法、新应用的展示，以及影像与临床医学、基础医学深度交叉的突破性进展报告。

MICS 2018共邀请到32位嘉宾进行主题分享，其中有5位医生、5位企业内的专家、22位大学及科研单位的青年学者。从MICS 2017开始，“医工企融合”就已经成为重要的主题，促进医生和科学家的互动，正是MICS的重要理念之一。

海军军医大学长征医院刘士远教授

上海长征医院刘士远：以疾病为核心制定术语、识别、标记的标准

“做医学影像AI，第一件事就是要统一术语。”上海长征医院刘士远教授强调。“这就像搞计算机的人要用一种大家都能识别的语言写程序一样，不然彼此之间根本没办法听懂，那这些数据、产品之间就没有办法互通，因为彼此都听不懂对方在做什么。”

刘士远教授表示，目前联盟正在致力于推动医学影像AI基本规则的制定，其中包括术语、识别、标记等重要组成部分。其中，刘士远教授提及，关于肺结节的标准的专家共识，初稿已经完成，现在正在完善，预计不久后将在国家核心期刊上刊出。

刘士远教授认为，当前的术语、识别、标记标准制定等基础工作对医学影像AI公司是一个重大的利好。现在一些公司的算法模型是通过什么样的数据、怎样做出来的，很多医生都不知道，在一个封闭的环境中，容易做出一个高准确率的模型，但在真实世界中是否经得起检验就不一定了。而在数据标准完善之后，下一个阶段的迭代模型可能更有价值。

深圳大学生物医学工程医学超声图像计算实验室薛武峰

深圳大学薛武峰：在心脏病的辅助诊断领域引入精确的心脏核磁影像自动量化分析

精确的心脏核磁影像自动量化分析对各种心脏病的临床诊断具有重要的辅助诊断作用。

作为西安交通大学博士，加拿大University of Western Ontario博士后，薛武峰2018年4月开始在深圳大学生物医学工程医学超声图像计算实验室工作。主要研究方向包括基于机器学习的医学图像分析、图像质量评价、计算机视觉等。

薛武峰博士对这一任务进行了深度的研究，采用卷积神经网络提取影像中的有效特征，循环神经网络对心脏序列的动态信息进行建模。在此基础上，引入多任务学习之间的相关性建模改善深度网络的学习性能，对多种不同的左心室几何参数进行了精确的估计，在心脏病的辅助诊断领域具有潜在的应用价值。

目前薛武峰以第一作者在领域顶级国际期刊和会议发表相关研究成果10余篇，Google Scholar引用次数超过800，两篇文章入选ESI高被引文章，荣获2017年MICCAI Young Scientist Award。

广东省人民医院影像医学部主任兼放射科主任梁长虹

广东省人民医院梁长虹：医学影像AI仍在探索期，若大规模应用须突破三个关键点

当记者问到对医学影像AI在医院中的应用状况如何时，南方医科大学教授、博士生导师，广东省人民医院影像医学部主任兼放射科主任、主任医师梁长虹教授马上说，“现在说在医院应用不合适，我觉得更合适的一个词是探索。”

“医学影像AI如果要对患者病情做定性的判断，一是数据样本量不足以支撑产品得出相应的结论，举个例子，拿到100万份非小细胞肺癌（世界上最常见的肺部恶性肿瘤之一）样本很难，不拿大数量样本来做模型值得信任吗？第二是不同企业的设备拍摄出来的图像差别较大，比如GE、飞利浦、西门子，包括国内东软的CT，不同设备之间的影像如何在同一个模型中建立相似特征关系？”

梁长虹教授认为，医学影像AI在真实世界落地还需要突破三个关键点：

一是数据来源一致性的问题。“这不是技术的问题，这是医学的问题”，梁长虹教授认为，“只有每家医院遵守共同的数据生产规则，这个问题才有可能得到有效的解决”。

二是算法宽容性的问题。《IMAGING & THERAPEUTIC TECHNOLOGY》期刊上刊登了一篇名为《Aritificial Intelligence in Radiology: Decision Support Systems》的文章，其核心观点是对目前的图像目标区域不一定要精确勾画。梁长虹教授已经开始着手对这个理论进行验证和研究。“算法的突破是十分关键的。”梁长虹教授强调。

三是让产品和服务真正地解决需求的问题。梁长虹教授认为，做医学影像AI的企业需要对真正的落地场景做深入细致的调查，有的时候解决真正的临床问题，不一定需要炫酷的技术。他说，“这就需要企业深入的理解、深入的体会、深入的感受临床的需求。”

浙江大学生物医学工程与仪器科学学院“青年千人计划”特聘研究员 吴丹

浙江大学吴丹：基于脑图谱的磁共振脑影像分析

吴丹，浙江大学生物医学工程与仪器科学学院特聘研究员，博士生导师，美国约翰霍普金斯大学兼职助理教授。研究方向包括弥散磁共振成像序列研发，以及基于脑图谱的医学影像处理与临床大数据分析，在NeuroImage、Magnetic Resonance in Medicine、Human Brain Mapping等影像领域顶级期刊发表了SCI论文约30篇（其中第一作者论文19篇、通讯作者4篇）；在美期间曾主持和参与美国国家卫生所R01和R21基金项目。

脑图谱是分析磁共振脑影像的重要工具，它不仅给出了标准空间的大脑模版，更提供了大脑结构的人工标注，是大脑分割算法的基础。从90年代发展至今，多种的脑图谱已经被提出，包括个体脑图谱（single atlas）、平均脑图谱（population-averaged atlas）、多脑图谱（multi-atlas）。基于不同的图谱集，我们可以通过不同的算法实现图像的分割，而前期研究表明基于multi-atlas的算法比single-atlas具有更好的精准度和鲁棒性。

吴丹的课题组围绕multi-atlas提出了一系列创新工作：

首先建立了丰富的图谱库，包括各个年龄阶段的、各个成像模型的、不同疾病类型的图谱库，并在此基础上研究多multi-atlas的加权和融合算法以提升分割的准确性；另一方面，不仅仅把multi-atlas作为图像分割的工具，而基于这个计算框架对它的用途进行了新的探索，包括将multi-atlas用于病人的临床病症的预测、以及FLAIR图像上的白质高信号检测；并把它的用途从传统的T1图像分析扩展到了T2、DTI、rfMRI、ASL、QSM等等，并通过图像的平台对多模态信息进行有效整合，进而通过机器学习算法对临床决策提供辅助性依据。

吴丹的课题组已经将这些工具在云计算平台（www.mricloud.org）上得以实现，与临床问题紧密结合，特别是在神经退化性疾病和婴幼儿发育过程中的脑病中的应用进行了前期探索。

北京大学第一医院医学影像科主任王霄英（右）

北京大学第一医院王霄英：把目光聚焦在病人是否获得了好处

王霄英是北京大学第一医院医学影像科主任，从进入二十一世纪初的几年开始，开始带领北京大学第一医院医学影像科进行提升工作质量和效率的结构化信息研究。

“这几年AI的提法比较多，但我们的工作中实质上还没办法应用真正意义上的人工智能。不过我们会用比较常见的技术解决一些工作环节中遇到的实际问题，这些技术只能说是数字化或信息化工具。”王霄英主任说。

“举个例子，病人到我们科室来，比如说因为发烧咳嗽来拍胸片，或者是肚子疼来做超声。如果临床科室医生开出的检查项目是错误的，无论后期我们的医学影像+AI多么厉害，最后得出的结论都不会是正确的。”王霄英主任认为。

关于如何利用信息结构化的方式保证病人做的检查项目是适当的，王霄英主任这样描述整个设计的逻辑，“我们把现在已知的循证医学知识和病人的临床信息结合起来，形成‘已知病人情况——循证医学知识——检查项目’之间的逻辑匹配关系，利用NLP自然语义分析把关键词信息提取并进行比较验证，把文献或指南数据结构化出来，然后把病人情况输入进行匹配，最后得出病人最合适什么样的检查项目。这就是特别简单的作用，不过也是所有医院影像科最需要的提升，我认为可能比读片更需要。”

最后，王霄英主任补充说，“以患者为中心，帮助临床科室医生做出一个正确的决定。这是影像科医生和临床科室医生共同的责任。所以，我们不局限在医学影像的环节，而是把自己的目光聚焦在病人是否获得了相应的价值或者好处。”

第 五 届 医 学 图 像 计 算 青 年 研 讨 会 议 程

http://ibrain.nuaa.edu.cn/mics2018/conferenceproceedings/list.psp