对话 MICCAI 创始主席 James Duncan：中国学者应拓宽国际视野，把握更多主动权

“我想对年轻研究人员说的一件事是，学习是件好事，你需要同时具有广度和深度。真正深入思考，并立志做出一些贡献，要相信自己的创意和直觉，敢于和教授们争论，然后把想法分享给大家，让他们批评，这样你才能真正拥有一些东西。”

作者 | 李雨晨

“1998年，第一届MICCAI在麻省理工学院举办时，没有人预想到它会发展成为如今的规模，因为那时候的参会人数只有400人左右。但是近几年来，AI技术渗透到了每个角落，也随之点燃了医学影像分析。我们看到，现在图像重建、增强、分类等方向都在大范围应用深度学习和其他有意思的方法。不得不说，这是一个振奋人心的时代。”MICCAI创始主席James Duncan教授感慨道。

2017年，MICCAI的参数人数首度破千。而今年10月在深圳举办的MICCAI 2019，预计超过2000人。这在James Duncan教授看来，是“让人非常期待的一件事情。”

James Duncan是MICCAI最初的几位创始人之一，以及MICCAI持久影响力奖的获得者。

在1983年来到耶鲁大学任教之前，James Duncan曾在休斯飞机公司工作，他非常感谢自己的这段经历。他说到，求学需要兼顾广度和深度，很多领域的研究方法是相通的。

1998年，James Duncan和其他几位学者讨论将三个小型会议合而为一，这就是后来的MICCAI。他坦言，成立之初，并没有想象到MICCAI会发展到如今的规模。20多年来，让他印象最深的，则是MICCAI组织架构的日趋成熟和研究内容的多样性和创新性。

2010年，James Duncan成为MICCAI学会Fellow之一。MICCAI Fellow是用来表彰对MICCAI研究领域作出大量科学贡献和对MICCAI社区的服务。

当时，James Duncan的获评理由是：为生物医学图像分析做出杰出的科学贡献，并通过会议组织、期刊编辑和MICCAI协会的特殊服务积极推动该领域。

近日，雷锋网 & AI掘金志有幸与James Duncan教授进行了一次对话。围绕MICCAI的过去与未来、未来的学术研究风向、对中国学者的建议等等话题，James Duncan发表了自己的观点，这也是他首次接受中国媒体专访。

MICCAI的历史与未来

AI掘金志：是什么吸引你连续两年来到中国分享学术知识？

James Duncan：去年我就已经在成都参加过ISICDM。ISICDM的一个重要特色就是让数学模型和深度学习两大派学者代表一起做报告、交流和辩论。大约三、四年前，我在麻省理工学院和MICCAI也有类似的经历，我们讨论数学模型和深度学习两者孰优孰劣。那个时候，深度学习还不像现在这样火热。

当时，我选择了站在数学模型的这一方，但我认为最后的结果将介于两者之间。所以，每隔一段时间我都会这样做（将不同的方法进行结合）。

而且，我对中国在人工智能领域的研究越来越感兴趣。今年MICCAI 2019要在深圳举办，我发现参加的会议和认识的人都非常有趣。我认识很多中国学者，像沈定刚、周少华、李纯明、中国香港科技大学的Albert Chung等几位教授，他们一直在从事这方面的工作。

另外，我现在的9个研究生中有6个是中国学生，他们来自中国不同的大学。所以，我很喜欢到他们接受教育的地方看看，我认为这是我来到中国来的主要原因。

AI掘金志：您是MICCAI的创始人，能不能谈一谈当时MICCAI成立的原因和过程？

James Duncan：最初，MICCAI是在1998年由三个小会议CVRMed、VBC、MRCAS组成的。MICCAI是计算机影像处理计算（MIC）以及计算机辅助介入（CAI）两个领域的综合性会议。2004年时，MICCAI Society正式成立。

MIC中包含的课题包括配准、机器学习、图像分割、传统CAD（计算机辅助检测）以及临床和生物学应用。CAI集中在介入部分，包括追踪和导航、介入式影像、医用机器人等等。

在MICCAI成立之前的几年里，我一直在计算机视觉领域工作，同时也参加了CVPR、ICCV等会议。每年有这么多的会议，每个会议有数百人参加。但实际上，我们的规模并不大，而且很多话题都是交叉的。

所以，1997年的时候，我们8、9个人就组成了一个小组，参与了MICCAI的筹备工作。我们认为，需要把上面说的这三个会议进行合并。围绕合并之后“该叫什么名字”这件事，我们也讨论了很久，“吵了不少的架”。

第一年，MICCAI在麻省理工学院举办。事情就是这样发展的，所以我很幸运能够参与到早期的讨论中。

AI掘金志：经历20多年的发展，MICCAI让您印象深刻的变化有哪些？

James Duncan：我认为有两点，科研成果的丰富和组织结构的变革。

组织结构方面。在这二十年里，一件好的事情是，参会者习惯了我们把会议整合起来的方式。但MICCAI只是一个会议，我们需要把它延续传递下去。

我们设立了MICCAI Society，这样它就有了一个“领导机构”，可以让MICCAI一直运转下去。而且，在MICCAI Society成立之初，我们就决定，这个“领导机构”不是一成不变的，我们会进行轮换选举，让更多的年轻人参与进来。

现在，我们在组织轮换上做得很好。10月在深圳举办的这次会议，将会是有史以来最大的一次会议，包括设置了更多的领域主席，所以我认为这一切都很好。

在科学研究方面，MICCAI 2019带来了很多亮点。这次会议上，很多新增的单元都是第一次被提出来。我记得一开始是在德国提出（新增单元）这个想法，因为很多早期的图像分类和配准的工作都在那边进行。

但是，在过去的三年里，深度学习基本“占领”了MICCAI的主要议题。所以在科研层面，我们看到了这种转变。

我认为MIC和CAI仍然是一个很好的组合，我们有时会努力确保MIC在CAI部分的应用比重。截止目前，我们还能很好的保持平衡。

所以，结合上面所说的，我认为，科研层面的发展和组织结构的发展给我留下了深刻的印象。你知道，我是《Medical Image Analysis》期刊的主编，这个期刊也一直和MICCAI保持着很好的联系。我认为这是一件好事。

AI掘金志：作为MICCAI学会的Fellow，能不能谈谈MICCAI 2019大会主席和举办地的决定过程?

James Duncan：MICCAI理事会全程负责MICCAI申办的过程。MICCAI每年在美洲、欧洲、亚洲三地轮流举办。MICCAI的理事会成员里，通常有投票权的13-15人左右，由他们来推选会议地点。

当然，会有很多的团队来竞选。一开始，会议的举办地点在北美和欧洲之间轮换，当然我们去过东京几次。

从3、4年前开始，不同的团队就要花很长时间进行调查，例如预算成本、场地和团队成员。他们要把这个提交给MICCAI理事会，理事会里有一个主席和不同的成员。他们需要讨论每一项提案，并作为一个小组对其进行表决。谁赢得最后的投票结果，谁就当选。

沈定刚教授被选为MICCAI 2019的大会主席时，我不太清楚那个时候我在不在理事会里，因为那已是3、4年前的事情了。

AI掘金志：MICCAI的Fellow和理事会成员是一回事儿吗？

James Duncan：这是两个完全不同的概念。MICCAI理事会成员是由MICCAI参会者选出的，只有12到13个人。

而MICCAI Fellow和这个组织没有任何关系，它是关于科学成就和对MICCAI的贡献。在我概念里，现在大约有25个人。当我还是MICCAI主席的时候，我们选了10到12个人来推动这个选举过程。

从那之后，每年都有两到三个Fellow是从Community里选出来。老实说，我不知道今年谁当选。这是一种荣誉，MICCAI理事会成员的意见都会被考虑到。

还有一件事，在每次MICCAI会议上，都有专门为年轻人设置的奖项。

此外，每年还会颁发一个“持久影响力奖”，几年前我拿到了。所以今年会有一个新的人选，目前大概有10到11个人。Terry Peters是今年MICCAI 2019的程序主席，他获得了“持久影响奖”，他也是MICCAI里的一名Fellow。

AI掘金志：作为MICCAI创始人，您期待未来MICCAI发展成一个什么样的组织？

James Duncan：我认为今年将有1500人或更多的人参加（实际上，今年的参会人数会达到2000人）。在未来的几年里它会继续增长。

也许在秘鲁等南美洲国家，人数不会像在深圳这样多。但几年之后，我想它回到欧洲和美国，参会人数会增长到2000人左右。

我希望并认为会有更多的产业界认识出现。我们想让更多的临床人员参与进来，但这似乎很难，因为这个会议还是一个“技术型”的会议。同时，会有越来越多的比赛和研讨会，我认为这是一个很好的现象。

我也希望，要在良好的应用工作中保持平衡，同时也至少在理论和应用方式上保持平衡。就像我们刚刚讨论的如何理解算法以及设计的原则是什么、是否有潜在的数学问题。

所以，我认为这种平衡在未来的应用和基础研究中保持下去，但同时也要兼顾算法的理解和解释能力。

学术研究进展

AI掘金志：您最近的研究内容是什么？能不能谈谈您的团队和最近的学术成果?

James Duncan：在我自己的研究小组里，有9到10名的电气工程或生物医学工程方面的博士生，还有两三个来自类似领域的博士后。

我有5个国家国立卫生研究院（NIH）的资助项目，这几个项目都是围绕图像分析和机器学习、深度学习。我们做了四到五件不同的事情。

一个是通过fMRI了解大脑中的功能网络和休息状态，试图研究大脑的哪些区域影响自闭症，以及哪些是预测治疗反应的好方法，比如认知疗法。过去，我们一直用潜在变量方法来估计。

现在我们正在研究将整个时间信号与放入自动编码的LSTM模块进行组合，然后尝试通过阻止网络的各个部分并查看哪个部分的影响最大。这是第一部分的研究内容，我有两三个来自浙江大学的中国学生（在做这件事情）。

第二个项目是，我已经做了很长时间的超声心脏运动和变形分析。因此，我们在尝试评估心脏跳动的情况、心肌劳损的程度，然后查看休息和压力图像来发现变化，并将发现的结论用于指导治疗。

我们利用经典的生物力学模型来插值不同来源的位移。现在我们用的是半监督的方式，一种伪自动编码器来获取合成数据并用它来指导体内数据。

第三个是关于肝癌的项目。使用多模态MR获取多个图像，比如DCE和解剖图像。我们开始使用随机森林做组织分类，来发现肿瘤坏死、正常的薄壁组织以及将血管与肿瘤进行分离。

在进行治疗后，我们观察区段和组织分类区域中的这些相同参数以预测癌症治疗的结果。其中一部分正致力于将高分辨率MR光谱与两次采集相结合，并利用不同神经网络架构的思路来提高空间分辨率。

最后两部分工作，我做了一些显微镜方面的工作，比如尝试使用亚细胞粒子跟踪，以及通过超声波和CT数据来观察心脏瓣膜。

AI掘金志：学术研究成果是否有在产业界落地的案例？

James Duncan：是的，这么多年来我们与西门子研究公司和飞利浦公司在剑桥和荷兰有非常紧密的合作。

西门子资助了我的一些学生，我想他们看了我们发表的关于多维形状估计的文章，还有利用不同维度的数据进行预测分析的文章。但是他们在另一个不同的应用中使用了它。我们用它来分割心脏，而他们用来进行有价值的定位，这是一种合作，是学术研究应用到产业中的一个例子。

另外，也有一个飞利浦的员工在耶鲁工作，我们做了一些研究，尤其是肝癌的研究。一些简单的算法被集成到他们的研究方法中，现在我们打算在肝脏的分类上一些更有趣的事情。

现在我们和一个做PACS的公司Visage有了新的合作。他们做医学图像、档案和通讯方面的工作。所以我们正在研究和他们一起建立数据库，他们的一名员工也入驻在我们这里。

中美科研差异

AI掘金志：您觉得，在医学图像分析领域，中美两地的科研状况有哪些不同？

James Duncan：哈，这是个很难回答的问题。我认为在过去，中国的科研状况是“task driven ”（任务驱动型），而且在应用开发上做的非常好，成为了一个非常好的竞争者。在美国也是如此，我不认为在某些地方有什么不同。

我认为在很多情况下，一些中国团队正在做非常实际的工作，把这个想法加以改进，使它变得更好，并赢得比赛。

但在某些情况下，中国缺少的是，一些美国团队里坚持的一些基本原则，比如我尊敬的一些宾夕法尼亚大学和霍普金斯大学、麻省理工学院的学者。这些学术团队是为了确保有一个基本的新思想。他们会借鉴该领域的一些经验，但他们想做的，是试图颠覆既有的模式。

我认为，尤其是像沈定刚教授等人在中美两国之间起到了一个桥梁的作用，我们也开始在中国的研究工作中看到了研究模式的改变。

所以，学术研究和应用落地不是完全分开的。但是在美国，我们讨论更多的是对事物的基本解释。

我认为，现在这一切都结合在了一起。但是，过去曾经有过很明显的界限，现在并不像过去那样分的那么清楚。

AI掘金志：举一个例子，就是中国的移动支付，之前英国帝国理工学院的郭毅可教授也提到，这不是一项基础研究的创新，而是应用模式的创新。在我看来，中国人可能擅长把研究成果应用到各个垂直领域里。

James Duncan：是的，也许在某些情况下，中国人会比美国人做得更好。我认为，学术研究和应用落地并不是完全分开的。我的意思是，美国也有这样的组织做这样的事情。

但是对于学术研究人员，你必须有创新的内容才能从NIH或NSF获得研究资金。我不知道中国的资助情况，但是同行评审的力量促使我们在工业上得到应用，这是另一回事。你需要和行业进行联系，他们可能有也可能没有同行评审。

我认为你说的是正确的。但我的观点是，在美国学术界进行基础研究是一种真正的动力，它提供了一些基础研究，但不是所有的研究都必须应用。

它需要一个好的应用场景来“激励”。但是，它本身必须是具备创新性的。它或许要有一个可以参考的应用“模板”，如果它还具有广泛的应用基础，那就更好了。

在中国，很多擅长应用落地的团队也在思考一些基本的想法，但是他们似乎非常热衷于解决问题。当然，我不知道更多具体的情况，只是从过往的经历里来表达观点，这是我在某些地方看到的。

我并不是说，在美国没有人关心成果的应用落地，但总的来说，（学术研究和行业应用）在美国、欧洲也许是有些分离，但不是完全割裂的。

AI掘金志：在我个人看来，在计算机视觉、语音识别、NLP等泛AI领域，中国学术界在国际上的影响力已经非常大了。但在更为细分的医学图像分析领域，中国的学术影响力似乎还不够。您是否认同我所说的这一现象？我们在哪些地方欠缺，该如何提升？

James Duncan：我没有参加足够多的计算机视觉会议，所以也不太了解最近发生了什么。但是可以看到，像微软亚洲研究院这样的机构在计算机视觉领域产生了很大的影响。在学术上，中国似乎并不落后，中国的很多学者也都参与到这些领域的研究中来。

你的说法也许是正确的。我的意思是，中国大学里担任国际会议领导职位的学者可能会很少，但这是一个可以改变的现象，而且这些事情也将开始改变。

例如，今年MICCAI在深圳举办，有沈定刚教授和其他当地组织者参与，其中一些人需要长期参与其中，我希望他们在未来几年都能参与到其中。

他们应该争取让MICCAI这样的会议在中国不同的地方举办。我也开始看到这样的一些建议，因为我看到有一些新的中国面孔出现。他们需要进行很好的研究工作，我认为他们做的越来越好。

作为《Medical Image Analysis》期刊的主编，我看到了很多来自中国在医学图像分析方面的论文，而且越来越多的论文被接收了，所以这意味着工作越来越好。

中国的学者要有一个广阔的视野，不仅要看到中国在这个领域的想法，也要放眼世界，看所有在这个领域钻研的学者们都在思考什么问题。这件事情会更好地促进他们参与到领导职位的竞争中来。

当然，没有一个国家应该主导MICCAI这样的国际组织。你的说法是对的，我不认识中国的每一位学者，但是我认为（更多的中国学者在国际舞台上产生更大的影响力）这件事正在发生，我提到的李纯明等人，需要继续在顶级的杂志和会议上发出自己的声音。

学术风向与经验分享

AI掘金志：您认为，3年左右的时间之后，在医学图像分析领域，深度学习和数学建模方法，哪个会成为主流？或者，会以什么状态存在？

James Duncan：我认为两者需要一种联系和整合。我希望这就是将要发生的。

深度学习将继续存在，并将得到应用，我觉得它将继续增长。但是，需要有更多的工作来真正理解和解释，以及完善设计原则，比如如何使这些网络更加具有鲁棒性，解释不同的层级在做什么，并尝试用实验的术语以及一些分析、数学的术语来进行解释工作。

也许医学影像分析领域会被实验中的应用所推动，而深度学习将在其中扮演重要角色。但在一些数据量较小的领域，我认为以往的数学建模方法将发挥作用。

以前数学建模的方式，会提炼规律、模拟解析、实验检验、修正模型。数学模型具有很好的特征表达能力，能够理解网络中的每一层在做什么以及为什么，然后理解它们对问题的最终结果意味着什么。

所以，两种方式会此消彼长，两者的发展都有空间。我们会看到更多结合的案例出现，数学也会在其中发挥作用，例如统计数据以及扁平化实验。

所以我认为，通过在深度学习和神经网络架构的设计中继续发展新思路，深度学习和传统建模方法的结合会成为下一个前沿的研究方向，两者的结合会获得更好的理解和解释能力。

与此同时，也需要一些研究团队继续努力，去继续探索到底会发生什么。我觉得我们需要它（数学建模），它就像水晶球一样透明，这就是我的想法和希望。

AI掘金志：过去三年，中国涌现了很多医疗AI创业公司，他们在很多医院部署了自己的人工智能产品。但是今年以来，这些公司变得越来越“冷静”，不像前几年那样火热异常，您认为这是一件好事吗？

James Duncan：是的，我觉得很好。如果让一个系统去检测一个肿瘤，解释它是良性的还是恶性的，就像放射科医生现在做的那样。我相信这是能够做到的。我认为一些中国公司正在这样做，这将有助于临床医学。

但是要了解一些复杂的疾病并将患者置于一个统计范围内，看他们是否会对治疗产生反应。这是不可能的，而且永远也不会实现。

所以在临床工作流程中替换某些东西，就像你说的，我认为会取得成功。我认为深度学习将发挥重要作用。

但是，在某种程度上，当医生在临床使用它的时候，如果它开始出现故障，给出错误的答案或一些新的东西，医生们会开始责怪机器，就像患者责怪医生一样。

我知道这正在发生，我相信这在中国是可以做到的。这些创业公司都在尝试这样做，我认为他们会成功的。

在中国的医疗系统里，监管部门有更多的数据控制权。你们真的可以，让数据管理不那么难。在美国，有太多的参与者是保险公司、私人医院和公立医院。对于这些算法开发者来说，美国的这种情况可能更具有挑战性。

AI掘金志：对当前的年轻学者，您有哪些经验想跟大家分享？

James Duncan：这是个好问题，从我个人的经历而言，一开始我是在航空航天领域工作，我们去分析卫星图像，帮助飞机进行导航，以及诸如此类的事情。

所以，我想对年轻研究人员说的一件事是，学习是件好事，你需要同时具有广度和深度。真正深入思考，并立志做出一些贡献，要相信自己的创意和直觉，敢于和教授们争论，然后把想法分享给大家，让他们批评，这样你才能真正拥有一些东西。

实际上，如果能把这种品质带到医学图像分析中，那就太好了。

与此同时，你也需要抬起头来看看周围发生了什么。从那时起，我参加了各种会议，比如CVPR 、ICCV，有了这些背景知识，在医学界工作对我有好处。

你可能会说，天哪，原来其他领域也都做了这些事情。你可能知道，有些人在研究人脸识别问题、无人驾驶、天文学和其他类似的问题，有很多想法可以应用到医学成像领域。也许不完全一样，但在某种程度上是相关的。

这些经历会给你一个好的思维，帮助你如何思考下一件事。对我来说，我很高兴能在航空航天等成像领域工作。

所以，我认为你必须广度和深度兼具，理解一些你真正想做的事情。

你知道我从中国学生身上看到了什么吗？我知道你们在本科学习中得到了很多。如果你在中国读博士，你想要有深度，这应该是件好事。但是你需要博览众长。所以，在早期，脑海里就思索一个问题，相信你的直觉，确保你有在你的领域之外的背景，这三件事情是我对青年学者的建议。

AI掘金志：是的，沈定刚教授有一个和您类似的观点，让我印象很深。他把求学比作是爬山，等爬到半山腰时，老师应该教导学生，让他们多环顾周围的世界。

James Duncan：是的，我喜欢这个比喻。一个学生如果能接触到不同的领域，他可能会变得不同。

教授带领学生找到了一条上山的小路。但当他们到了那里，他们环顾四周，看看周围的景色，看看发生了什么，这很好。然后，你仍然需要在这条狭窄的路前进，才能走到更高的山上。

也许这会是一个新的中国谚语。