过去十年来，在深度学习推动下，计算机视觉研究取得了巨大进展，在许多领域实现产业化，但对于医学影像的自动检测和分析，以及真正融入到日常临床流程中被高频调用和形成正面的影响，目前却还少有类似的变革。
原因有很多，最重要的一点，医学影像分析并非为了识别图像中的内容（比如这是肝脏还是肾脏），而是要对图像进行细粒度的判断（比如肝脏中的某块阴影是否预示着潜在的病变，严重程度如何）。对于这样高风险的复杂决策，仍然离不开放射科医师和专科医生的专业评判。此外，由于最终的诊疗方案还需要考虑患者的过往病史乃至生活习惯，而打通这些医疗档案和数据，也是一大难题。
因此，能够整合多种医疗资源、数据和服务的医疗保险一体化机构，被视为最有潜力实现医疗智能化升级的候选之一。除了能联合各方、打通数据，这样的机构既是服务提供方，也是费用支付方，从立场上便天然具有提高诊疗效率和控制成本的诉求。随着当前医疗服务逐渐从传统的「治病」向「健康服务」转型，医保一体化机构在创新上也有更大的空间和动力。
作为全球最大的综合保险公司之一，平安科技积极布局医疗保险一体化，2016年成立平安科技研究院（PAII Inc.），定位技术驱动型公司，专注于智能城市、智能教育、医疗影像和临床信息学的技术解决方案。近年来，PAII的中美两地团队与中国医科大学附属盛京医院、台湾长庚纪念医院林口总院的八个临床科室、浙江大学第一附属医院，上海长海医院，北京和睦家医院等合作，在精准医学、population health预防性医学，及癌症影像诊断方面取得了世界级成果，并且显著改善了相关临床工作流程。
最新一期的「机器之心走进国际顶尖实验室」将探访平安科技美国华盛顿特区研究院， 我们特别邀请到吕乐博士团队分享他们在医学影像分析和计算机辅助癌症诊断上的最新进展，具体日程见文末。
PAII美国华盛顿特区研究院拥有多名荣获MICCAI和RSNA最具影响力年轻科学家奖项或提名的年轻学者，每年输出数十篇MICCAI、CVPR/ECCV/AAAI/IPMI、RSNA/SNMMI/AASLD/EULAR/SABI/ASTRO等技术和临床顶会以及Nature Communications、Clinical Cancer Research (美国癌症研究学会会刊), Medical Image Analysis、IEEE Trans Medical Imaging等顶刊论文，包括RSNA 2016/2018/2019/2020年杰出论文奖和2018年MICCAI之前5年最有影响力论文，及入选MICCAI 2019和2020连续两年的最佳论文候选。
2018年6月，医疗人工智能领域著名学者吕乐博士出任平安科技美国华盛顿特区研究院院长。吕乐博士曾先后任职于美国西门子研究院、西门子医疗部门，美国国家卫生研究院（NIH）临床中心和英伟达公司，是最早将深度学习用于临床医学影像分析的研究者之一。他是当前业界最具影响力的两大公共医疗图像数据集发布（NIH ChestXray14 2017，NIH DeepLesion 2018）的主要技术负责人，在基于深度学习计算的定量生物标记检测方面做出开创性的工作，2021年初因对用于癌症检测和诊断的机器学习的贡献当选IEEE Fellow。他还是医学图像计算国际顶级专业组织MICCAI协会董事会成员，计算机视觉顶刊TPAMI、IEEE SPL副主编，并多次出任MICCAI，AAAI，CVPR，WACV，ICIP和ICHI等顶会的领域主席。
PAII美国华盛顿特区研究院的一个研究重点是「大数据、弱标记医学影像分析」。对于临床亟待解决的医学影像标记信息不完整、不统一、存在歧义、人工标记成本高等问题，吕乐博士团队通过整合大量到海量患者数目的医学影像、病历和其他医疗信息，让算法学会理解医生所用的标记，进而再通过这样的算法对医学影像进行自动标记，节约了大量时间和成本。不仅如此，利用计算机善于发现人类肉眼难以察觉或容易忽略的细微特征，他们还研发算法对医学影像中的一些生物标记进行计算，模拟其体积和形状，从原始像素中提取一些医生可以理解的元特征（meta-feature），由此来辅助判断病人的癌症风险。
凭借对AI技术和医疗临床实践两方面的深刻理解，团队在针对老年人骨骼健康，风湿免疫疾病和骨创伤方面提出了多项有突出创新性的解决方案。包括世界上首个基于普通X光片（骨盆和腰椎）评估成人骨密度的AI解决方案；能够达到并超过放射科，急诊外科专科医生水平的多种骨折自动检测AI方案；以及标记通用算法模型迭代。相关成果已经在合作医院里面部署半年以上，辅助诊疗新病人近万次，并在台湾本地被多家媒体广为正面报道。
仅需普通骨盆或腰椎侧位X光片即可完成骨密度评估，提高效率和骨质疏松的筛查率，且不会额外增加成本
自动检测骨盆X光创伤的通用算法，评估结果达到并超过放射科、急诊科以及专科医师，大大加强医生对于疑难骨折病例的发现和把控。
在肿瘤和癌症医学影像诊断方面，平安科技美国华盛顿特区研究院与平安科技上海、深圳研究院协作，提出了首个基于胸/腹部平扫CT检测胰腺癌及其他胰腺囊实性病变的AI解决方案。之前通过胸部CT进行胰腺癌检测被认为是不可能完成的任务。该院使用来自多个地区、多家医院的的大数据CT影像和病理金标准训练模型，使其具有超高的精确性、泛化性和稳定性。团队通过大数据全监督结合弱监督自训练方法，不仅实现胰腺全病种自动检测，还能鉴别胰腺癌与其他9种非胰腺癌的胰腺囊实性病变；此外，通过在增强CT扫描中发现的新型影像学生物标记，算法还能预测胰腺癌的手术切缘和总生存率，辅助医生进行个性化的患者治疗管理。
胰腺癌CT影像学标记，是独立于术前和术后传统临床指标的独立预测因子，预测精度高于影像组学标记及传统临床指标，有望指导术前、术后更加个性化的治疗。
在肿瘤定量预后和病人治疗管理方面，团队还提出了首个全自动口咽鳞状细胞癌（OPSCC）预后模型，从PET Scanner 扫描结果中抽取肿瘤和淋巴结位置信息，将其转化为临床可用的诊断依据，并判断患者风险指数。对预后进行客观、无偏见和快速的评估。医生结合其诊断分期以及风险评估，可以更个性化地提供治疗建议。此外，该产品也可用于将大量的病人数据做重新排序，使高风险病人获得优先治疗。避免了医生手动分割肿瘤和淋巴结时产生的差异性问题，同时为医疗科研项目和实现精准医疗加以助力。
口咽癌PET影像学预后标记，全自动、客观、泛化性强，能补充现行临床口咽癌分期系统（HPV & TNM），有望定制个性化治疗方案。
5月23日与24日19:30-22:00，机器之心特别邀请到吕乐博士团队分享他们在医学影像分析和计算机辅助癌症诊断上的最新进展，具体安排如下：
直播地址： https:// jmq.p.xeknow.com/s/4EN AqT
5月23日 19:30-22:00
主题一：CT图像中的通用病灶分析算法和在智能PACS系统中的应用
分享摘要：放射科医生在日常工作中需要阅读大量医学影像，发现每个器官中病灶，并进行测量、比较等操作。为了减轻医生的劳动量、降低主观性差异和漏诊，我们设计了通用病灶分析算法，对多种病灶进行自动检测、跟踪和测量。我们的研究基于大数据、弱标签，利用先验知识和人机交互挖掘缺失标注，训练多数据集融合的病灶检测算法。我们利用有监督和自监督两种方式，在随访图像中进行病灶跟踪和像素配准。我们还开发了基于弱标签的病灶测量和分割算法。
分享嘉宾：
主题二：医学影像+AI在精准肿瘤学中的应用：筛查、诊断及预后
分享摘要：深度学习已广泛应用到癌症影像的临床工作流程中：从病灶检测、病灶描述，到结局预测等。我们开发了针对胰腺癌诊疗全流程的影像AI算法：
分享嘉宾：
5月24日 19:30-22:00
主题一：人工智能在X光骨密度评估与骨折诊断中的应用
分享摘要：骨质疏松症与其导致的脆性骨折是严重影响社会公共健康的流行病，X光作为最为普及的医学影像技术，被广泛应用于各类骨骼疾病的诊断。我们将人工智能技术应用于X光影像分析，以提高骨质疏松的筛查率和骨折诊断准确率。我们的研究利用大数据挖掘X光平片中的与骨密度相关的骨折征象，旨在使用X光平片对骨质疏松进行伺机性筛查。我们还利用骨骼对称性分析、弱监督及半监督学习技术，开发X光片骨折检测算法。
分享嘉宾：苗舜，平安科技美国华盛顿特区研究院主管研究员，主要开展X光骨骼健康状况评估、骨折检测等方向的研究工作。
主题二：癌症放射治疗中的靶区与危及器官的三维精准分割
分享摘要：放射治疗被广泛应用于多种癌症的根治性或辅助性治疗中，其中的三维靶区精准勾画是核心任务之一。手动靶区勾画异常费时，且严重依赖肿瘤放疗医生的经验水平。为了减小医生工作量和提高准确度，我们开发了多个靶区的自动分割算法，涵盖胸部到头颈部多种癌症的肿瘤、临床靶区、癌化淋巴结和危及器官。算法通过建模医生的先验知识和推理过程，极大的提高了分割准确度。所涉及到的技术包括多模态影像融合、空间距离模型、分层学习以及网络自动搜索等。
分享嘉宾：金达开，平安科技美国华盛顿特区研究院主管研究员，主要研究方向为癌症放射治疗中的靶区自动勾画，包括肿胸部和头颈部的肿瘤靶区、临床靶区、癌化淋巴结，淋巴站和危机器官的分割和检测。
直播地址： https:// jmq.p.xeknow.com/s/4EN AqT
