秋天，是收获的季节。近日，平安科技人工智能中心的10篇论文，入选国际医学图像计算机辅助干预会议MICCAI 2019年会和北美放射学年会RSNA2019。

MICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI) 是聚焦于医疗图像处理和辅助治疗技术方面的综合性学术顶级年会，由国际医学图像计算和计算机辅助干预协会主办。在2019年投稿量比2018年增加近70%的背景下，平安科技人工智能中心产出的5篇高分命中论文，展现了极高的研究质量。

RSNA(Radiology Society of North American, RSNA)则是放射医学界的盛会和放射医学临床研究的风向标，每年11月底至12月初在美国芝加哥召开，是全球放射学临床研究成果和主要医疗器械厂商产品发布的重要场合，会议论文代表了放射医学界医学应用研究的最高水平。

科研过程中，平安科技人工智能中心和世界顶级医疗机构国立卫生研究院(NIH)临床中心以及林口长庚纪念医院(CMGH)紧密合作。合作的论文，分别被MICCAI 2019和RSNA 2019各5篇收录(其中MICCAI 3篇是early accept，1篇是大会口头报告;RSNA 4篇是口头报告)。

平安科技人工智能中心所有研究工作都有临床顶尖医生们的积极参与，在深入沟通和亲密合作之下，根据临床痛点，双方一起提出问题，继而解决。基于该研究特色，从最开始研究的命题就确定了是临床硬需，这为今后技术应用于患者的精准诊断和治疗产生积极意义，代表着平安科技的研究不但在技术探索上走在前沿，而且在临床应用上也得到医学界的认可，为下一步深入临床迭代提供了坚实的基础。

平安科技人工智能中心是一支由全球顶尖算法专家、平安集团首席科学家肖京博士带领的团队。团队成员包括平安科技技术研究院(华盛顿)执行院长、医疗人工智能领域著名学者吕乐博士。汇集了一批毕业于约翰霍普金斯大学，爱荷华大学，多伦多大学，不列颠哥伦比亚大学，阿尔伯塔大学等著名学府，以及曾经在西门子(Siemens)、英伟达(NVIDIA),和美国国立卫生研究院(NIH)等知名企业和研究机构工作过的高端人才。

其中四篇论文成果展示如下：

1、髋部骨折敏感度95%以上

髋部骨折是创伤常见问题，据统计髋部骨折约占全身骨折的20%以上，且具有极高的致残率及病死率。髋部骨折通常在急诊科使用髋关节X光进行诊断，由于可能伴随内出血，急诊科医生需要在短时间内对骨折做出准确的判断。髋关节和盆骨结构复杂，常与其他内脏器官重叠在X光内形成伪影，这对骨折的诊断造成一定困难，这使得在急诊室的高压力环境下，经常出现骨折的误诊或漏诊。

平安科技人工智能中心和长庚医院著名的创伤急诊中心合作，提出新的检测髋关节和盆腔所有部位骨折的AI技术(Weakly Supervised Universal Fracture Detection in Pelvic X-ray)，该技术对髋关节各部位骨折的敏感度和特异度均达到95%以上，而对于常见于老年人的股骨骨折则达到99%的高敏感度。该算法已经达到国际领先医院的创伤外科、急诊科医生的水平。

图一：髋部骨折自动检测系统，红色块为AI自动检出的骨折部位

Y. Wang, et al., "Weakly Supervised Universal Fracture Detection in Pelvic X-ray", International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019 (early accept)

C. Cheng et al., Universal High Performance Pelvic/Hip Fracture Detection on Pelvic Radiographs of Trauma Patients using Cascaded Deep Networks, RSNA, Chicago, USA, 2019 (Scientific Oral Paper)

2、无监督学习识别异常胸片

X光胸片是放射科室业务中占比最大的影像种类，近年来，特别是随着2017年NIH发布胸片公开数据集以来，对于X光胸片人工智能应用层出不穷。由于胸片数量大，各个医院乃至同一个医院不同设备数据来源不一。另外现在主流的AI系统开发都是采用有监督的深度学习方法，要求医生对于各种胸片的疾病征象都需要标注，这造成研发工作中的较大负担。

平安科技人工智能中心和NIH合作，对于数据来源不同的X光片如何自适应，以及采用弱监督甚至无监督的方式对异常胸片的识别，进行了大胆探索，均获得满意的结果。研发出的无监督方式下的TUNA-NET，在儿童肺炎X光片的识别的任务上获得了AUROC=0.963的结果，已经非常接近于有监督学习的结果(AUROC=0.981).

图二：TUNA-Net的无监督学习条件下儿童肺炎识别

Y. Tang, Y. Tang, et al., "TUNA-Net: Task-oriented UNsupervised Adversarial Network for Disease Recognition in Cross-Domain Chest X-rays". International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019

Y. Tang, Y. Tang, et al., "Task-oriented Unsupervised Adversarial Network for Disease Recognition in Cross-Domain Chest Radiographs", RSNA, Chicago, USA, 2019 (Scientific Oral Paper)

3、食管癌靶区自动规划

在放射治疗中，临床靶向区域(CTV: Clinical Target Volume)既要涵盖可见的肿瘤区域，也要包括微观的肿瘤细胞可能扩散到的区域，如淋巴结。这在实际操作中比较困难，非常依赖放疗肿瘤主治医生的水平，不同的医生之间勾画的临床靶向区域会有较大差异。因此客观的临床靶向区域分割算法在食道癌放疗规划中起到关键的作用。

平安科技人工智能中心提出的研究方法将食道癌的临床靶向区域的分割设计为一个同时基于空间位置/距离和图像特征的模型，其中空间模型包含了肿瘤，淋巴结，和风险器官的空间位置和距离信息。这样的深度学习模型可以更好的去推断临床靶向区域的边界。临床靶向区域勾画在食道癌放疗计划里的研究重要但是之前工作非常少，这项工作设立了一个新的里程碑。

图三 食道癌放疗规划临床靶区规划的效果图

D. Jin, D. Guo, et al., "Deep Esophageal Clinical Target Volume Delineation using Encoded 3D Spatial Context of Tumor, Lymph Nodes, and Organs At Risk", International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019 (early accept)

D. Jin, D. Guo, et al., "Accurate Esophageal Gross Tumor Volume Segmentation in PET/CT using Two-Stream Chained 3D Deep Network Fusion", International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019 (early accept, Oral presentation)

4、通用病灶检测精度再提高

影像学医生的日常主要工作，是对医学图像进行仔细阅读，找到各种病灶，测量其大小，然后在影像报告中对病灶进行描述。因此，自动病灶检测、描述/分类、分割算法历来是医学影像人工智能的研究重点。然而前人的工作大多集中在特定器官的单一任务的算法，如肺、肝脏中的病灶检测或测量等工作。

平安科技人工智能中心的研究尝试将检测、描述和分割三个任务结合起来，基于合作伙伴NIH发布的DeepLesion数据集，平安科技人工智能中心开发了通用病灶检测系统、描述系统和分割系统，并通过一个实例分割框架将这三部分有机地结合在一起，同时辅助以3D特征融合策略和决策调整策略来利用病灶描述结果改善病灶检测精度。该研究在DeepLesion数据集上取得了通用病灶检测的最好精度，超过了之前结果最好的帝国理工大学团队。

图四：通用的病灶检测系统，先看出病灶长在哪里，再进行自动分类测量

K. Yan, Y. Tang, et al., MULAN: Multitask Universal Lesion Analysis Network for Joint Lesion Detection, Tagging, and Segmentation", International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), Shenzhen, China, 2019

K. Yan, Y. Tang, et al., MULAN: Multitask Universal Lesion Analysis Network for Joint Lesion Detection, Tagging, and Segmentation", RSNA, Chicago, USA, 2019 (Scientific Oral Paper)

关于平安科技

平安科技是平安集团旗下科技解决方案专家，致力于运用人工智能、云等技术赋能金融服务、医疗健康、汽车服务、房产服务、智慧城市五大生态圈。平安科技以“云无限”为价值主张，积极践行“科技改变生活”的企业理念，立志成为国际领先的“AI+云”公司。

作为平安集团高科技内核，科技解决方案已经应用在超550个场景中，积极孵化智慧业务，助力建成生态闭环;作为IT后台综合管理平台，开发和运营平安关键平台和服务，支持平安保险、银行、投资、互联网等业务高效协同发展;平安科技也是云平台的积极构建者，平安云作为平安服务的综合输出平台，为全行业提供 IaaS、PaaS、SaaS 全栈式云服务，打造的生态圈已经服务过5亿用户，并拓展至海外市场。

2019年08月21日 于上海

版权作品 未经许可 请勿转载