报告个好消息！国际顶级医疗AI大会，腾讯8篇论文入选

来源：腾讯

秋天到了，腾讯的医疗AI研究者们再次迎来丰收的季节。

这次的收成是这样的：在即将召开的国际顶级人工智能医学影像学术会议MICCAI 2019，腾讯有8篇论文被大会收录，是参会机构里收录稿量最高的中国企业。

这个大会一般人确实不熟悉，但在医学影像分析领域（如CT影像、核磁共振影像），它可是全球最权威的会议之一。

大会对学术交流的深度和质量要求非常高，今年134个国际团队投稿约1600篇，但论文录取率只有31%，难度跟找对象差不多（开个玩笑）。

这些论文有哪些新发现

腾讯入选的8篇论文来自旗下两大AI实验室——腾讯AI Lab与腾讯优图实验室，他们各入选了4篇论文。

论文涵盖病理癌症图像分类、医学影像分割、CT病灶检测、机器学习等范畴，在深度学习效率提升，医学临床应用方面都取得了进展（不明觉厉）。

emmm，如果变成大白话，大概是这些意思——

让“小数据”也能喂饱AI

AI在学会分析医学影像之前，一个重要前提就是给它喂足够的数据（比如专业医生标注过的CT片），让他顿顿吃饱吃好。

AI吃得多了，很容易就能掌握哪种“食物”有问题，问题在哪里。

可现实是整个医疗AI行业的“伙食”一直不太好，不是缺数据就是数据标注难度大，因此AI研究者们的一大重点就是让AI在伙食不够的情况下也能感觉吃饱（做AI真苦）。

比如这次腾讯AI Lab对常用AI训练方式做了细致实验，找到了一种将迁移学习、多任务学习、半监督学习等AI训练方式整合在统一框架的方法，提升了医学分类模型的准确率。

换个说法就是让AI把一颗白菜分别炖着吃、炒着吃、麻辣烫吃，各种吃法组合起来，充分体会出白菜的每一根纤维。

而腾讯优图实验室，则提出了一种深度挖掘原始数据信息的自监督学习方法，让AI在较少的三维医学图像中也能学会“自力更生”。

优图还在另一项研究中提出了一种成对分割框架，通过医学影像不同切片之间的配对，提升预测结果的质量。这有点像让AI学会吃完半个鸡腿就能猜出另外半个鸡腿的味道。

AI病理研究新突破

帮助医生提高诊断效率、一致率、准确率，以及增强医生预测疗效的能力是病理AI的主要作用。这次腾讯AI Lab有3篇论文在这方面取得新突破。

在和中山大学附属第六医院合作的一项研究中，研究者提出了一种仅使用临床诊断结果作为弱监督信号来训练分类器的方法。

这一方法如果结合智能显微镜，可以为临床医生提供实时的诊断意见，降低癌症误诊的几率。

同样，腾讯AI Lab和华南理工大学、中山六院的另一项合作研究也提出了一种自适应算法，在无标注的显微镜数据中完成了神经网络训练，且性能极为优越。

这相当于让AI学习什么是烂苹果，以前要把一堆贴着烂苹果标签的苹果给AI看他才能掌握什么是“烂”。现在你把好苹果坏苹果放一起，他也能慢慢学会区分。

病理图像颜色不一致也很恼人，这很容易给医生后续分析增加难度。而腾讯AI Lab提出的色彩归一化网络能将病理图像变成相近的色彩，提高医生后续分析效率。

更贴近临床诊断需求的AI研究

医疗AI对医生最好的帮助，不是改变医生的现有流程，而是把AI技术无缝嵌入到医生的检查流程中去。本次MICCAI 2019，腾讯优图实验室的两项研究就非常紧贴临床诊断需求。

在CT病灶检测的研究中，优图实验室与吉林大学合作提出了一种新的检测方法，使得在2D检测网络上达到比3D检测网络更准确的结果。

不仅如此，这一方法还可以为临床医生提供实时的病灶检测结果，提高医生分析CT图像的效率。

都说眼睛是心灵的窗户，其实眼睛也是健康的窗户，因为眼底动脉和静脉的形态可以反映很多全身性的疾病和心脑血管疾病。但传统动静脉分类的方法很繁琐耗时。

优图实验室与厦门大学合作提出的全新算法，极大地提高了眼底血管分类的精度和预测速度，实现了端到端的血管分割和动静脉分类。

眼底血管的精确量化有了这样的基础，医生就能更好地透过这扇窗户分析我们的健康。

作为“腾讯觅影”背后的技术提供者，除了上面的前沿研究，腾讯优图实验室与腾讯AI Lab的研究成果也在真实的临床研究和应用探索中。

目前，“腾讯觅影”已能利用AI医学影像分析辅助临床医生筛查早期肺癌、眼底病变、结直肠肿瘤、宫颈癌、乳腺肿瘤等疾病，以及利用AI辅诊引擎辅助医生对700多种疾病风险进行识别和预测。

希望技术的进步能够帮助优化医疗资源的不均衡。

来源：腾讯