，腾讯技术工程事业群架构平台部总监朱建平也发表了题为“打开人工智能乳腺疾病诊断的黑盒”的演讲，全面介绍了腾讯在乳腺癌影像AI诊断方面的进展，以下为演讲实录。 各位嘉宾大家好，今天给大家分享下我们在乳腺癌影像AI诊断方面的探索。这几年随着硬件计算能力的提升，以及深度学习模型的不断发展，AI在图片和语音识别方面取得了显著的进展。 对于提升乳腺癌的生存率来说，乳腺癌的早筛早诊非常重要，医学影像AI诊断能辅助医生提升筛查效率，有效降低漏诊和误诊，有助于我国基层医院普及基于医学影像的乳腺癌筛查。 ? 接下来是学习模型，虽然现在的学习模型很多，但是这些模型不能简单地在医疗AI领域直接使用，于是我们专门针对乳腺钼靶影像诊断的特点研发了TMuNet模型。 能够实现这个效果，一个非常重要的原因是，我们采用了被誉为癌症诊断金标准的病理报告来辅助钼靶图片做标注，使得AI识别的效果能够超越影像科专家医生的水平。
今天（2023.1.9） arXiv.CV 上有7篇医学影像处理与识别相关论文。不过粗略看来，医学影像类的论文，很多都是直接使用已有模型（甚至都不是最先进的模型），加以应用就可以了。 大量的医学研究已经证实，早期诊断和治疗的脑瘤一般倾向于有更好的预后。 深度学习技术经过多年的发展，在医学影像学中对脑瘤的分类方面已经显示出令人印象深刻和更快的结果，几乎没有人为干扰。 Technology and Science (INESC TEC)；波尔图大学等 论文链接：https://arxiv.org/abs/2301.02608 结直肠癌检测的全流程开发与验证 在过去的几年里，人工智能（AI 如今，应用深度学习（DL）方法从整个影像图像（WSI）中诊断癌症，引起很多研究小组的兴趣。 因此，我们提出了一个专门为结直肠样本诊断设计的系统。这样一个系统的构建包括四个阶段。
2核2G云服务器首年95元，GPU云服务器低至9.93元/天，还有更多云产品低至0.1折…
机器之心原创 作者：李泽南 人工智能（AI）有可能通过帮助人类医疗专家进行高难度分类、快速分析大量医疗图像的方式彻底改变疾病的诊断和治疗流程。 张康：我们在视网膜 OCT 图像的研究中加入了「遮挡测试」——通过卷积一个遮挡核心到输入图像上，机器会通过计算预测做出正确诊断最可能的部位，并输出含有高亮色块的「遮挡」图，这些色块就是 AI「认为」的病变部位 张康：感谢这些医院为我们提供了宝贵的大量原始医疗图像数据，且由不同专科的医生对图像予以分类、标注，帮助训练 AI 系统获得更精准更稳定的诊断结果。 机器之心：这种以医生为主导的 AI+医疗研究与其他以人工智能学者为主导的 AI+医疗研究有什么不同？ 张康：通过算法系统的调整，继续改进学习、导出结果等过程；我们的 AI 系统对于全身各系统可以进行图像检测的疾病都具有适用性，因此我们将进一步增加准确标注的图片数量，加入不同的图像类型，增加可诊断的眼部疾病
文献导读 基金委2019重大研究计划项目指南已经发布，其中分子影像诊断多次被提及。这篇Cancer Cell（CC）是非常好的参考，之前做过解读。今天再次分享给大家。 外科医生根据影像学资料和患者自身情况设计手术方案。 这篇文章中的这些引文，详细阐述了GLISTRboost工具的由来与应用，正是这项技术将影像学灰度值与基因的突变信息联系到了一起，也正是这项技术极有可能成为改善GBM诊疗过程的关键技术。 这些引文的全文，大家在公众号窗口回复CC1 站长'说'：主图不像是一篇CC 站长觉得，如果把该篇文章中的临床影像学部分去掉，可能发不了CC。而读完文章感觉，临床影像学计算似乎跟文章整体逻辑上有些脱节。 3、分子影像学已经探底基因层面，临床应用价值未来可期。非侵入性的检测还是主要的大家能接受的检测手段（看看人满满的超声科就知道了）。
我们也常常在 Nature、Science 或者新闻媒体上看到，某种疾病的医学影像诊断，AI已经超过人类医生水平了。 ? ? 除了这些，现阶段的医疗 AI 还有哪些应用场景呢？ 根据科大讯飞和中金的资料，AI技术还可以用于电子病历、影像诊断、辅助诊疗、医疗机器人、个人健康大数据分析、精准医疗等场景。 而科大讯飞至少在前三个场景都有所布局，语音录入病历、医学影像识别、全科医生辅助诊断、晓曼导诊机器人等都是科大讯飞的医疗 AI 产品，而个人健康大数据分析未来也很可能是科大讯飞的战场之一。 ? 在辅助诊疗和影像诊断方面，科大讯飞研发的医疗影像辅助诊疗系统目前已经开始试点应用。该系统用于辅助影像医生阅片，勾画肿瘤病灶区域，减少误诊和漏诊。目前其影像系统已经可以，识别3mm以下的病变区域。 陶晓东表示，很多这种传统的设备公司和一些初创公司，更多的是聚焦在影像上面，然而影像只是诊断治疗的一个手段，不是目的，我们要最终要达到一个诊断的结果。
本次研究成果是一款能精确诊断眼病和肺炎两大类疾病的人工智能（AI）工具，它的总体准确度达到了96.6%。 AI系统30秒内确定是否接受治疗，准确度达到95％以上 张康教授团队的迁移学习算法的主要应用是在视网膜OCT图像的诊断中。 研究人员将机器的诊断结果与六位眼科医生的诊断结果进行了比较，比较结果如下： ? 除了进行医学诊断之外，该AI系统还生成了以前的研究中没有做过的转诊和治疗建议。 类似的，研究人员们收集了 5232 张胸部的 X 光片，用于 AI 系统的训练，从而诊断儿童肺炎的几率，这是全球5岁以下儿童死亡的主要原因。 在经过迭代和测试后，这款诊断儿童肺炎的 AI 工具能达到 92.8% 的准确率、93.2% 的灵敏度、90.1% 的特异性、以及 96.8% 的 AUC 值。
AI医疗公司数坤科技董事长毛新生在一次采访中提到。医师在重复、单调的阅片工作中容易出现疲劳、漏诊等现象；一些医疗机构甚至缺乏具备诊断能力的影像医师，造成可拍片但无人诊疗的局面。 随着AI图像识别技术进步、医学影像设备的升级与产业数字化发展，相关产品向外扩展至骨科、眼科、心血管、神经系统、消化道、脑部、超声波、肝胆胰脾肾等众多疾病的辅助诊断预测。 疫情带来的需求暴增可说是加速AI医疗影像相关产品审批的最后一股“东风”，使得基于CT的疾病筛查与辅助诊断成为了AI医疗影像竞争最激烈、产品商业化种类最多的领域之一。 医疗影像新气象 AI+CT+云 目前，AI+CT的相关产品主要有三种盈利方式: 第一种是将AI+CT扫描辅助诊断作为单独的软件开发服务，此种模式较符合大多数医院的采购习惯。 联接医院端与华为公有云，在提供AI阅片辅助诊断技术的同时，解决海量影像数据的实时存储、备份、归档问题，并支持多种设备云端阅片方式。
整体上看，国内医疗资源缺口较大，影像设备升级存在较大空间，且能直观反应医院的综合实力，医院拥有动力购置影像设备与用AI补充医师人力的欠缺。相比之下，国内的人工智能产品更聚集于辅助诊断领域。 但随着医联体的进步，中心阅片形式的普及，影像科AI产品的终端进入基层医疗的可能性变小，但能提供准确诊断路径的AI CDSS或许存在更大的应用空间。 而对于体检中心/第三方影像中心而言，由于影像科的利益与医疗机构利益更为一致，更迅速的诊断，更精准的报告意味着更多的收入与更好的口碑，人工智能的价值会更为突出。 影像重建、影像增强类AI产品由于不涉及辅助诊断，仅需II类证便可实现销售，这类产品在商业化的进程之中快人一步。 通过FDA审批的AI产品（统计时间为2017年12月至2019年9月） 而在通过FDA的辅助诊断产品中，许多辅助诊断标签下的产品如Viz.ai、Imagen，它们的产品介绍中更多强调AI的“预警”功能，
人工智能（AI）方法在测试时作为CNN（“ 卷积神经网络 ”）中的前馈通道实施，并且训练超过一百万个彩色图像。 它的彩色版本使用这些AI技术开发的模型： ? 相同的技术可以应用于旧视频。这里是1932年巴西里约热内卢市的黑白录像： 和彩色版本： 1.实验室色彩空间 通常习惯使用RGB模型对彩色照片进行编码。 L分量恰好是用作AI模型的输入，用于估计剩余分量“a”和“b”。 2. AI（深度学习）过程 正如在介绍中所评论的那样，人工智能（AI）方法在测试时被实现为CNN（“卷积神经网络”）中的前馈传递，并且被训练超过一百万个彩色图像。
1 背景 CKD和T2DM都是流行且高风险的常见慢性疾病，早期诊断和治疗对于减少相关并发症和死亡率至关重要，然而许多患者没有症状或只有非特异性的症状，早期识别和诊断仍然具有挑战性。 诊断早期CKD的研究。 2 研究成果 2.1 系统简介 作者开发了一种能够分析视网膜眼底图像以检测CKD和T2DM的AI系统（图1a），实现两类任务： （1）预测连续值（包括肾脏功能指数eGFR）的回归任务； （2）进行诊断的二元分类任务 这些结果表明着通过个人移动设备进行视网膜AI诊断的潜在可行性和实用性。 ? 当使用智能手机拍摄的图像对外部测试集2上进行测试时，AI模型性能欠佳（图3f），Bland-Altman图显示负比例偏差，说明AI模型在eGFR高水平时比在低水平时更大程度地低估了eGFR，通过校准输出方差可以降低比例偏差
阿里达摩院从前线传来最新战报： 截止到2月23日，阿里达摩院医疗AI团队研发的新冠肺炎CT影像识别算法，已对3万多个临床疑似病例进行了诊断。 抗疫紧急，要有更高的效率 阿里达摩院医疗AI团队研发新冠肺炎CT影像识别算法，来自抗疫过程中日益关键的高效率需求。 新冠疫情早期，核酸检测是新冠肺炎诊断的主要参考标准。 在临床诊断过程中，医生人肉辨别CT影像效率较低。 据了解，一位新冠肺炎病人的 CT 影像大概在300张左右，每诊断一个病例，影像医生需要投入大约为5-15分钟时间。 除了新冠肺炎影像CT算法，达摩院医疗AI团队还和阿里云联合研发了新冠肺炎辅助诊断算法和病历质检算法，将AI从诊断应用到了治疗阶段。 前者结合患者影像CT诊断结果、流行病学史以及其他临床症状，来辅助医生快速对新冠肺炎病例完成诊断，进一步提升诊断准确率与效率。
前言 本期由知名医疗影像专家AAAS, IEEE 和美国发明院 (https://news.rpi.edu/content/2019/12/03/ge-wang-named-fellow-national-academy-inventors ) Fellow, Ge Wang教授谈论他对医疗影像教学的看法，原文是英文，本文由zxz编译，预计阅读时间10分钟。 ，人工智能始发力，医学影像更清晰），欢迎一并阅读。 ? The First College Course of Medical Imaging in the AI Framework 第一门在AI框架下的医学成像大学课程 创新驱动着人类文明，其过程在于找到各种方式来增强人类的能力 在美国伦斯勒理工学院2019年秋季学期，我们首次同时面向本科生和研究生开设在AI框架下的医学成像课程。 课程的第一部分讲授关于人工神经网络的基本知识和技能。
△ 超声心动图 诊断心血管疾病通用的方式是，评估就诊者的超声心动图——那是心脏的动态影像。科学家们让人类和AI，同时把12段影像中提取的“缩水”图片，一张一张张归入15个类别中。 之后，医师会在高清影像里，随着成像工具在患者胸腔附近移动，来观察心脏的表现。 被AI碾压，并不代表受试医师的专业水准、或是人类的诊断能力受到了质疑。 △ 15个类别 另外，AI只在分析图像之后得出粗略的分类结果，并不作出诊断。而人类医师需要在几段影像里，观察心脏的20多处结构，整合复杂信息来完成一次具体诊断。 不过，AI需要的时间，就不像等待验血结果那样漫长了。 “AI在医学诊断中超越人类”的相关消息时常让世界表现出难以抑制的兴奋。 而团队也正在开发一个进阶版本，让AI在原有分类能力的基础上，做出心血管具体疾病的诊断。 ?
牛津大学医院研究人员开发出了一种可以诊断心脏病和肺癌的人工智能，使疾病可以更早地得到治疗。 2018年夏天，英国国民医疗服务（NHS）医院将开始免费提供心脏病治疗技术。 他说，“英国国民医疗服务在病理服务上的花费约22亿英镑，还可以减少50%，AI可能拯救英国国民医疗服务。” 目前，心脏病专家可以从扫描的心跳时间来判断是否有问题。 约翰·雷德克里夫医院（John Radcliffe Hospital）开发的一个人工智能系统可以更准确地诊断心脏扫描，它可以从医生看不到的扫描中提取细节。 它还可以更早地诊断肺癌。 该系统也正在被一个称为Optellum的初创公司商业化。 卡迪尔博士估计，如果在美国和欧盟采用肺癌诊断系统可以节省100亿英镑。
智能影像诊断应该建立在大数据的基础上，将影像数据和全部人类能够获取的信息进行整合学习，提高对疾病发展趋势和规律的预测能力。 冯教授还提到，影像医学属于体内诊断。 区别于体外诊断，体内诊断过程中影像科医生往往是第一个看到病灶的人，但影像科医生并不参与治疗。 同时，未来也需要打通体制壁垒，使影像科医生资源配置更优化，成为疾病诊断中的领导者。冯教授认为，到2030年很可能不再有影像科，只剩下诊断科。 柴象飞认为，影像科拥有更大的应用空间，因为影像穿插在从筛查到治疗诊断的整个环节。他表示，影像是AI进入医疗领域的理想切入点，而GPU的发展对医疗影像产生了巨大的推动作用。 同年5月汇医慧影作为唯一一家医学影像AI企业，成为腾讯AI加速器首期学员。
本次分享大纲： 1.AI乳腺癌诊断的研究背景 2.乳腺钼靶AI诊断系统 3.乳腺病理、核磁共振和超声研究 4.总结 AI乳腺癌诊断的研究背景 随着时代的进步和经济发展，人们的健康意识日益提高，同时伴随着 相对美国来说，我国的五年生存率还较低，这主要是因为中国人口基数过多，有经验的影像科医生较为缺乏，使得大范围早筛困难重重，腾讯觅影发布的AI乳腺癌诊断系统能够有效缓解这一矛盾，最大限度地帮助患者和医生。 由于其中最主流和有效的筛查诊断方式是钼靶，因此我们在这方面的研究开展最早，目前腾讯的AI钼靶乳腺癌诊断系统已经对外发布，并已经在30多家三甲医院落地试用。 ? 乳腺钼靶AI诊断系统 1.目标功能 乳腺钼靶诊断系统主要包含三方面的目标功能。第一是实现了疑似病灶的定位；第二是给出了乳房的良恶性判定；第三是能够自动生成影像报告。 其中架构前端是钼靶影像的前处理层；中间层是AI学习模型；最后是通过医生反馈对前两部分进行的动态更新层。 ?
现阶段，国内针对乳腺影像的智能辅助诊断主要集中在乳腺钼靶领域。 尽管超声作为指南推荐首选早筛方式，但由于超声检查影像结果受设备、操作人员、操作手法等差异较大的影响，且为动态图像，无法形成标准化数据集，故而训练难度极大，AI辅助诊断效果往往不尽如人意。 脑部影像AI诊断 我国脑卒中的发病率已经超过心血管疾病，成为致死、致残率最高的疾病，并且发病率呈逐年上升的趋势，此外脑血管病和颅内肿瘤等脑部疾病也危害人们的健康。 目前国外脑部影像AI关于出血性脑卒中方面的产品主要功能集中在出血体积测量、分类以及预后分析等方面。国内脑部影像AI产品研发的其他方向还包括头颈CTA血管重建以及病变分析。 在后续的文章中，我们会进一步对各个细分领域中的AI学术研究和工业应用进行更为详细的介绍。当医学影像遇上深度学习，人工智能医学影像辅助诊断系统能够更有效地提高医生诊断的效率和准确率。
“科室医生忙的焦头烂额，甚至顾不上吃饭，排队等候的患者却迟迟拿不到CTA诊断结果。” 医疗资源与患者治疗需求之间的供需失衡，对高效率、高精度AI技术的介入需求越来越迫切。 1 供需失衡心脑血管领域， 亟需AI影像拓荒者 1心脑血管领域需求极大，AI影像企业仅跑出了数坤？ 心脑血管疾病诊疗中，常规检查手段是心脏和头颈CTA检查。 究其原因，尖端技术意味着高门槛，心脑血管医学影像的复杂性，导致AI影像技术的科研和落地并非想象中的那么简单。 该AI模型重建VR图像血管边界更光滑、去骨效果更佳。 卢洁教授团队与数坤科技重塑了脑血管CTA检查行业的运作方式，AI终于可以以更高效率、更高诊断精准度介入到脑部CTA检查之中。 3 原创AI企业“马太效应”明显， 行业趋势迈向整体解决方案 在去年9月，中国医学影像AI产学研用创新联盟理事长刘士远表示：“医学影像AI初创企业在2018年达到顶峰，数量开始减少，医疗AI逐渐进入落地和成熟环节
本文是陈思宏老师关于致力于提供基于3D医疗影像大数据的预训练模型MedicalNet的详细介绍。 一、医疗影像AI概述 医疗影像 AI 实际上解决的是「患者看病难，医生诊断累」的全球普遍问题。 3.jpg 医疗影像包含丰富的诊断信息，是医疗诊断中非常常见的手段。 医疗影像AI的“制造”方法如下：收集标注数据，再通过这些数据来训练人工智能模型，最终实现在系统中输入患者影像，获得接近资深医师的诊断结果。 4.jpg 二、MedicalNet与医疗影像AI发展的关系 近年来，图像与视频识别软件的发展，为医疗影像 AI 提供了很大帮助。 5.jpg 因此对于医疗影像 AI 的研究来说，亟需找到大规模数据集以及相应的模型，为大部分小数据医疗影像AI应用提供信息支持，而这也正是开发 MedicalNet 的动机。
一站式医学人工智能开放创新服务平台，涵盖数据管理、标注，算法训练、评测、应用全流程
扫码关注腾讯云开发者
领取腾讯云代金券
云服务器
即时通信 IM
网站备案
对象存储
实时音视频
