MICCAI 2019 ：纪录、风向与学术思考

10月13-17日，MICCAI 2019在深圳举办，为期5天的大会上，来自世界各地的学者合力奉献了一场“学术盛宴”。

MICCAI Society 主席Leo Joskowicz在MICCAI期间表示，人工智能和深度学习的力量在不断增强，但不同的临床领域和技术领域也存在多样性，这次MICCAI上的研讨会和论文都是创纪录的。而且，来自科学界和商业界不同领域的兴趣日益浓厚。

这股兴趣也直接反映在了注册人数、论文上： MICCAI的注册人数突破2300人，较2017年翻了一倍； 投稿数量大幅增加较去年增加63%，最终的收录数量达到了538篇。

此外，今年的tutorials、workshops和challenges的数量达到创纪录的60多个，研讨会和赛事甚至延长到晚上；20多家企业成为本次大会的赞助商；大会总共资助了113名学生前来参会，其中48名是本科生。

这些都是MICCAI 2019留下的亮点成绩。

会议举办前夕，曾有一个小插曲：由于MICCAI 2019的注册人数已超2000人，而主会场只能容纳1500人左。为此，大会主席沈定刚教授曾发了一条朋友圈，提前征集自愿者在分会场参会。虽是无奈之举，但也直接说明了本次MICCAI的火爆程度。

作为医学影像分析行业的顶级学术会议，MICCAI可以说是该领域研究的风向标。而从一年一度的大会上，我们也可以嗅到来自未来的气息。

大会主席评述青年科学家奖

首先，我们先看一下今年的MICCAI青年科学家奖(Young Scientist Award,YSA)。青年学者是学术研究的中坚力量，该奖项表彰由青年科学家撰写的质量最高的论文，每年最多颁发五份YSA。今年MICCAI共收录了538篇文章，而这5篇文章，可以说是“百里挑一”的精华。

雷锋网AI掘金志也在第一时间拿到了大会主席沈定刚教授对这5篇论文的点评。

1、Models Genesis: Generic Autodidactic Models for 3D Medical Image Analysis

作者：Zongwei Zhou, Vatsal Sodha, Md Mahfuzur Rahman Siddiquee, Ruibin Feng, Nima Tajbakhsh, Michael Gotway, Jianming Liang

点评： 这篇文章的贡献是设计了一个针对三维医学图像分析的预训练模型，这样解决了以前大家只能用 ImageNet 里的二维数据训练出来的预模型，并且得到更好的效果；在5个医学图像的分割和分类问题上取得领先的效果；在作者的口头发言中也给出了开源代码（https://github.com/MrGiovanni/ModelsGenesis）。

2、Deep Multi Label Classification in Affine Subspaces

作者：Thomas Kurmann, Pablo Márquez Neila, Sebastian Wolf, Raphael Sznitman

点评： 主要的贡献是在多类分类任务中，将不同类型的样本映射到预先定义好的具有依附关系、并且均匀分布在整个特征空间中的相应子空间，而不是像传统方法中只是简单将不同类型的样本映射到距离较远的不同子空间。

3、Diagnosis-guided multi-modal feature selection for prognosis prediction of lung squamous cell carcinoma

作者：Wei Shao, Tongxin Wang, Zhi Huang, Jun Cheng, Zhi Han, Daoqiang Zhang, Kun Huang

点评： 这篇文章要解决的问题是用病理图像和基因数据来预测生存期。通常的特征选择方法是用单任务的方法完成特征选择。这篇文章的基本思想是把生存期预测和临床诊断信息预测作为多目标任务来进行特征选择（虽然临床诊断信息的预测不是这篇文章的目标）。在公开数据集上，跟其他方法相比，有3%左右的精度提高。

4、Fully convolutional boundary regression for retina OCT segmentation

作者：Yufan He, Aaron Carass, Yihao Liu, Bruno Jedynak, Sharon Solomon, Shiv Saidha, Peter Calabresi, Jerry Prince

点评： 眼底图像分割一般是先做像素分割，然后估计出不同层的边界。不过，这样的分割方法没法端到端地优化整个分割任务，而且每一层边界的平滑性和层与层之间的前后关系都没有在一个网络中综合优化。这篇文章的主要想法是将所有的分割任务（像素分割、边界估计和相邻边界的关系）都放在一个网络来优化，这样可以达到整体优化的目的，并且得到好的结果。

5、Clustering of longitudinal shape data sets using mixture of separate or branching trajectories

作者： Vianney Debavelaere, Alexandre Bône, Stanley Durrleman, Stéphanie Allassonnière

点评：这篇文章主要想解决随时间变换的形状数据的聚类问题；作者提出了一个混合模型来解决生长过程中一类变成多类（例如两类）的问题。在脑老化的应用中，该方法可以发掘出海马形状随年龄老化分成两个子类。

深度学习是热点，但不是唯一

看完了最佳论文，我们再看研究趋势。

在为期5天的大会上，让AI掘金志印象最为深刻的一句话，来自2014年当选为MICCAI Society fellow的英国帝国理工学院教授Daniel Rueckert。

在接受采访时，他感慨道： “Deep learning is now dominating everything in this area. There are virtually no talks without deep learning。”（深度学习“统治”了医学影像分析领域，现在几乎无人不谈深度学习）

沈教授表示，每一种方法都各有利弊，深度学习和知识模型相结合的方法，学者们一直在探索。“模型意味着把问题简化，用数学的方式来表示问题，但是里面有很多问题无法用这个模型来描述，而深度学习的参数非常多，可以解决很多具体的问题。怎么样把两者结合起来，非常重要。我永远认为，研究不能只偏向其中一个方向。”

作为MICCAI 2020 程序委员会联席主席，周少华博士向 AI掘金志 分享了，除了深度学习与知识模型融合之外，四个新的学术研究趋势。

一个方面是深度学习的自动化。 周少华表示，深度学习受很多人工的东西影响：人工标注的数据、人工设计的网络架构、loss函数也是要人工设置。“所以，我觉得，一个比较大的趋势是去自动化完成这些工作。目前，这些方面的研究也比较多。”

第二个方面是成像与分析的紧密结合。 “成像与分析是整个影像链中两个有机组成部分。我们现在是有了图像之后再进行分析，但是如果在成像端与分析直接结合，也可以做很多有意思的事情，也符合端到端学习的思路。”

第三个方面就是联邦学习（Federated Learning）。 联邦学习是一种新兴的人工智能基础技术，能够让开发者与各企业机构利用分散在多个位置的训练数据对中心深度神经网络（DNN）进行训练的学习范式，这个方法可以支持各企业机构针对共享模型开展协作，而无需共享任何临床数据。

沈定刚教授也认为，研究方法都是来自于实际应用场景。联邦学习对于医疗数据的隐私性来说是一个很好的方法，既可以保证数据“不出院”，又能够利用不用医院的数据训练同一个算法。

第四个方面，也是周少华博士研究的侧重点，在于通用表征学习（Universal Representation Learning, URL）， 尝试用一种通用的学习方法来同时处理多个任务，每个任务可以有不同的领域。

通用表征学习的好处在于，单个任务的数据量不大，难以训练一个好的模型。如果将所有任务放在一起，就会有更多的数据，进而更好地提升模型的性能。“我们希望可以学到一个通用性的表达，对所有的任务都能适用。”

随着AI应用的不断推广与落地，可以预见的是，“古今结合”和从临床需求衍生出的新方法将不断涌现。

全链条、全栈的设备端AI

软硬结合、设备端的AI越来越成为器械商们适应智能时代的方式。