近日，第23屆醫學影像計算和計算機輔助介入國際會議MICCAI 2020論文錄用結果揭曉，專注醫療人工智慧與大資料技術研究的騰訊天衍實驗室，共計入選14篇論文，較去年入選4篇大幅增加，研究方向涵蓋醫學影像中的分類、分割、檢測、領域自適應等應用場景，實現醫療影像人工智慧技術的全面突破。
近年來AI技術與醫療行業走向深度融合，其中在醫學影像中的應用最為廣泛。在此次入選MICCAI 2020的論文中，作為騰訊覓影幕後的演算法技術供應團隊之一，騰訊天衍實驗室基於醫學影像臨床應用中的多種場景，對多種機器學習方法展開了創新性研究，有望加速AI在醫療健康領域的實踐程式。
騰訊天衍實驗室負責人鄭冶楓博士，從事智慧醫學影像分析多年，其發明的投影空間學習法於2011年獲美國馬斯.愛迪生專利獎，相關的研究成果於2014年結集出版《醫學影像處理的投影空間學習法：器官的快速檢測與分割》。他也是美國醫學和生物工程學會的會士（AIMBE Fellow）和IEEE醫學影像雜誌副編（TMI IF=7.8）。
破局醫療影像資料標註力量不足
在AI醫療影像的學習和訓練中，面對醫療影像資料標註力量不足、醫療影像資料質量參差不齊的行業困局，如何讓有標註資料得到儘可能的使用，釋放AI在醫療影像領域中的作用，騰訊天衍實驗室透過多種機器學習方法的技術創新嘗試進行突破。
與傳統的監督學習相比，弱監督學習使用有限的、含有噪聲的或者標註不準確的資料來進行模型引數的訓練，是AI醫學影像分析工作的常用思路。在今年獲收錄的論文中，天衍實驗室提出了一種嶄新的由宏觀網路-微觀網路兩部分組成的弱監督框架。宏觀網路負責學習弱標註影像（大量）中包含的位置和區域資訊，而微觀網路則負責學習全標註影像（少量）中包含的精細結構資訊。在此框架的基礎上，研究人員使用了基於不確定度的宏觀-微觀資料流，分別利用引數滑動平均方法和不確定度指導的KL-loss來實現兩個模型的知識互通。大量的實驗結果表明，該方法優於傳統的單一半監督及弱監督方法，為更高效利用分割標註提供了新的可能。
圖注：宏觀-微觀弱監督學習方式進行眼底OCT組織分割面對神經網路容易受到醫療影像採集過程中的噪聲干擾的影響，騰訊天衍實驗室提出了一種抗干擾的神經元內生學習方法，利用正確的標籤生成正確的響應圖，然後隨機生成錯誤的標籤獲得錯誤的響應圖作為干擾。在神經網路學習中，使得兩個響應圖差異儘量變大，從而使得網路學習到干擾資訊，提高網路的抗干擾能力。以往方法不同的是，本次提出的方法是在特徵空間而非影像層面生成干擾，而在特徵空間生成的干擾完全由網路內部自身決定，因此網路能夠獲得更強的抗干擾性和魯棒性。在當前高質量標註資料資源缺乏的情況下，這一研究對提高噪聲資料價值、擴充機器學習的可用資料範圍做出了新的探索。
圖注：抗干擾的神經元內生學習幫助醫療影像分類醫學影像資料標註要求高、資料收集困難，無標籤資料的使用價值及可能性亦成為AI醫療影像科研探索的新方向。
在基於深度學習的青光眼自動診斷任務上，由天衍實驗室提出的“學習教學-知識遷移（L2T-KT）”訓練策略和“測驗池（Quiz Pool）”，利用無診斷的眼底影像來升級教師網路，對無標籤資料在AI醫療影像中的應用做出了嘗試。該方案使教師網路可以將無診斷的眼底影像的資訊，編碼到一個潛在的特徵空間中，然後學生透過向教師學習就能夠在無診斷的眼底影像上進行訓練。在私有資料集以及LAG資料集上進行了實驗後的結果表明，該方法能利用無診斷眼底影像，顯著提升青光眼診斷任務的效能。
圖注：基於教師–學生網路框架實現可利用無診斷資料訓練的青光眼分類學習模型深度學習時代，預訓練模型在醫療影像分析中起到了至關重要的作用。然而自然影像和醫學影像本身存在的域間差異比較明顯，存在較大提升空間。在研究中顯示，天衍實驗室提出的模型預訓練框架Comparing to Learn (C2L)，使用70萬張完全無人為標註的放射學影像，透過比較影像特徵之間的差異性，取得了超越ImageNet使用有監督預訓練的模型表現以及其他當下最先進的自監督模型。
圖注：透過對比學習超越ImageNet預訓練的放射影像表徵預訓練方式挖掘標註資料價值
在儘可能將更多的資料用作AI學習之餘，如何實現在現有的資料標註以及演算法上進一步提升AI模型訓練效果亦十分重要。
醫學影像通常由多位專家或醫生進行標註，然後利用多人標註取平均或者多數表決的形式對最終的金標準標籤進行判定。當標註結果用於AI模型訓練時，通常僅使用最終的金標準標籤，金標準標籤以外的原始資料標註的價值往往被忽略。天衍實驗室在《基於多標註一致性的難例感知青光眼分類模型開發》中提出了一個新的基於深度學習的模型框架，利用原始的多專家標註來提升青光眼分類效能，同時也透過不同專家對每個影像標註結果的一致性或者不一致性，對該影像屬於簡單案例還是困難案例做出預測。這一研究也有望提升醫生在臨床診斷中的分析效率及準確率，提醒醫生對困難案例進行特別關注。
圖注：基於多標註一致性的難例感知青光眼分類模型在醫學影像分析的目標區域分割任務中，通常使用人工標註作為模型學習模仿的物件。儘管分割目標的大部分割槽域相對容易標記，但由於邊界不明確和部分容積（partial volume）效應等原因，不同組織交界的邊緣區域通常難以處理，該區域的硬標籤可能具有相當的不確定性，現有的邊緣檢測演算法也不能很準確地定位和貼合物體的真實邊緣，這種不確定性又會進一步影響訓練後的模型的效能。
在獲收錄的論文《用於醫學影像分割的超畫素引導標籤軟化》中，天衍實驗室提出了基於超畫素（superpixel）的標籤軟化技術，根據超畫素中體素到標註邊界的距離來軟化該區域中的標籤，使用軟化後的標籤與原本的硬標籤一起訓練分割模型。在《邏輯細化網路：提取精細邊緣的邊緣檢測器》一文中，研究人員設計了一個邏輯細化網路和邏輯閥操作函式（基於分割圖和邊緣圖之間的邏輯關係設計而成）。該方法可將物體檢測結果（即分割圖）和第一階段較為粗糙的邊緣檢測圖，透過邏輯閥操作函式作用在原始影像上並輸入到邊緣細化網路中，網路透過層層強化物體邊緣位置、細化邊緣圖，最終輸出準確精細的邊緣圖。實驗結果表明，上述方法能有效地在原有的硬標籤和邊緣檢測演算法基礎上，提升AI網路對2D和3D醫學影像進行邊緣檢測的效能。
圖注：邏輯細化網路：提取精細邊緣的邊緣檢測器AI醫療影像技術加速科研應用落地
作為“騰訊覓影”背後的技術提供者，天衍實驗室的研究與創新不斷擴充AI醫療技術發展的邊界，同時也正逐步推動研究成果落地到臨床研究和應用實踐裡。
今年爆發的新冠肺炎疫情期間，天衍實驗室運用AI大資料技術，在科技抗疫的應用中表現亮眼。騰訊天衍實驗室主任鄭冶楓表示，騰訊健康小程式抗疫專區上線的15個工具中，天衍實驗室參與了5項，包括疫情知識問答、患者同小區、發熱自查、發熱門診、口罩攻略。在疫情問答中，天衍實驗室利用自研LTD-BERT模型識別使用者意圖，把推理速度提高了40倍，精準地給使用者提供疫情資訊。
而在新冠肺炎CT輔助診斷產品的研發上，克服資料量不足、標註力量不夠等問題，天衍實驗室採用魔方自監督學習方式訓練模型，在小資料集上進行微調，就肺炎/非肺炎、病毒性肺炎/非病毒性肺炎做分類。疫情期間騰訊覓影AI輔助診斷新冠肺炎的解決方案落地武漢大學中南醫院，基於強大的技術支撐，在患者CT檢查後最快2秒就能完成AI模式識別，1分鐘內即可為醫生提供輔助診斷參考，在兩個月內累計助力湖北多家醫院為24000多名患者進行了肺部CT診斷工作。
騰訊覓影在眼底疾病篩查的應用尤為具有廣泛的社會意義，能夠彌補基層眼科醫生短缺的短板，讓低成本的眼底檢查在社群和基層普及開來。目前，該系統已和全國30多家醫院聯合進行驗證，並在廣東、廣西、山東等省市基層醫療系統試點，相信受益的人群一定會越來越多。