機器之心知識站與國際頂尖實驗室及研究團隊合作，將陸續推出系統展現實驗室成果的系列技術直播，作為深入國際頂尖團隊及其前沿工作的又一個入口。趕緊點擊「閱讀原文」關注起來吧！
過去十年來，在深度學習推動下，計算機視覺研究取得了巨大進展，在許多領域實現產業化，但對于醫學影像的自動檢測和分析，以及真正融入到日常臨床流程中被高頻調用和形成正面的影響，目前卻還少有類似的變革。
原因有很多，最重要的一點，醫學影像分析并非為了識別圖像中的內容（比如這是肝臟還是腎臟），而是要對圖像進行細粒度的判斷（比如肝臟中的某塊陰影是否預示著潛在的病變，嚴重程度如何），對于這樣高風險的復雜決策，仍然離不開放射科醫師和專科醫生的專業評判，此外，由于最終的診療方案還需要考慮患者的過往病史乃至生活習慣，而打通這些醫療檔案和數據，也是一大難題。
因此，能夠整合多種醫療資源、數據和服務的醫療保險一體化機構，被視為最有潛力實現醫療智能化升級的候選之一。除了能聯合各方、打通數據，這樣的機構既是服務提供方，也是費用支付方，從立場上便天然具有提高診療效率和控制成本的訴求，隨著當前醫療服務逐漸從傳統的「治病」向「健康服務」轉型，醫保一體化機構在創新上也有更大的空間和動力。
作為全球最大的綜合保險公司之一，平安科技積極布局醫療保險一體化，2016年成立平安科技研究院（PAII Inc.），定位技術驅動型公司，專注于智能城市、智能教育、醫療影像和臨床資訊學的技術解決方案。近年來，PAII的中美兩地團隊與大陸醫科大學部附屬盛京醫院、臺灣長庚紀念醫院林口總院的八個臨床科室、浙江大學部第一附屬醫院，上海長海醫院，北京和睦家醫院等合作，在精準醫學、population health預防性醫學，及癌癥影像診斷方面取得了世界級成果，并且顯著改善了相關臨床工作流程，
最新一期的「機器之心走進國際頂尖實驗室」將探訪平安科技美國華盛頓特區研究院，我們特別邀請到呂樂博士團隊分享他們在醫學影像分析和計算機輔助癌癥診斷上的最新進展，具體日程見文末，
PAII美國華盛頓特區研究院擁有多名榮獲MICCAI和RSNA最具影響力年輕科學家獎項或提名的年輕學者，每年輸出數十篇MICCAI、CVPR/ECCV/AAAI/IPMI、RSNA/SNMMI/AASLD/EULAR/SABI/ASTRO等技術和臨床頂會以及Nature Communications、Clinical Cancer Research (美國癌癥研究學會會刊), Medical Image Analysis、IEEE Trans Medical Imaging等頂刊論文，包括RSNA 2016/2018/2019/2020年杰出論文獎和2018年MICCAI之前5年最有影響力論文，及入選MICCAI 2019和2020連續兩年的最佳論文候選。
2018年6月，醫療人工智能領域著名學者呂樂博士出任平安科技美國華盛頓特區研究院院長。呂樂博士曾先后任職于美國西門子研究院、西門子醫療部門，美國國家衛生研究院（NIH）臨床中心和英偉達公司，是最早將深度學習用于臨床醫學影像分析的研究者之一。他是當前業界最具影響力的兩大公共醫療圖像數據集發布（NIH ChestXray14 2017，NIH DeepLesion 2018）的主要技術負責人，在基于深度學習計算的定量生物標記檢測方面做出開創性的工作，2021年初因對用于癌癥檢測和診斷的機器學習的貢獻當選IEEE Fellow，他還是醫學圖像計算國際頂級專業組織MICCAI協會董事會成員，計算機視覺頂刊TPAMI、IEEE SPL副主編，并多次出任MICCAI，AAAI，CVPR，WACV，ICIP和ICHI等頂會的領域主席，
PAII美國華盛頓特區研究院的一個研究重點是「大數據、弱標記醫學影像分析」，對于臨床亟待解決的醫學影像標記資訊不完整、不統一、存在歧義、人工標記成本高等問題，呂樂博士團隊通過整合大量到海量患者數目的醫學影像、病歷和其他醫療資訊，讓算法學會理解醫生所用的標記，進而再通過這樣的算法對醫學影像進行自動標記，節約了大量時間和成本，不僅如此，利用計算機善于發現人類肉眼難以察覺或容易忽略的細微特征，他們還研發算法對醫學影像中的一些生物標記進行計算，模擬其體積和形狀，從原始像素中提取一些醫生可以理解的元特征（meta-feature），由此來輔助判斷病人的癌癥風險，
憑借對AI技術和醫療臨床實踐兩方面的深刻理解，團隊在針對老年人骨骼健康，風濕免疫疾病和骨創傷方面提出了多項有突出創新性的解決方案，包括世界上首個基于普通X光片（骨盆和腰椎）評估成人骨密度的AI解決方案；能夠達到并超過放射科，急診外科專科醫生水平的多種骨折自動檢測AI方案；以及標記通用算法模型迭代。相關成果已經在合作醫院里面部署半年以上，輔助診療新病人近萬次，并在臺灣本地被多家媒體廣為正面報道。
僅需普通骨盆或腰椎側位X光片即可完成骨密度評估，提高效率和骨質疏松的篩查率，且不會額外增加成本
自動檢測骨盆X光創傷的通用算法，評估結果達到并超過放射科、急診科以及專科醫師，大大加強醫生對于疑難骨折病例的發現和把控，
在腫瘤和癌癥醫學影像診斷方面，平安科技美國華盛頓特區研究院與平安科技上海、深圳研究院協作，提出了首個基于胸/腹部平掃CT檢測胰腺癌及其他胰腺囊實性病變的AI解決方案，之前通過胸部CT進行胰腺癌檢測被認為是不可能完成的任務。該院使用來自多個地區、多家醫院的的大數據CT影像和病理金標準訓練模型，使其具有超高的精確性、泛化性和穩定性。團隊通過大數據全監督結合弱監督自訓練方法，不僅實現胰腺全病種自動檢測，還能鑒別胰腺癌與其他9種非胰腺癌的胰腺囊實性病變；此外，通過在增強CT掃描中發現的新型影像學生物標記，算法還能預測胰腺癌的手術切緣和總生存率，輔助醫生進行個性化的患者治療管理。
胰腺癌CT影像學標記，是獨立于術前和術后傳統臨床指標的獨立預測因子，預測精度高于影像組學標記及傳統臨床指標，有望指導術前、術后更加個性化的治療。
在腫瘤定量預后和病人治療管理方面，團隊還提出了首個全自動口咽鱗狀細胞癌（OPSCC）預后模型，從PET Scanner 掃描結果中抽取腫瘤和淋巴結位置資訊，將其轉化為臨床可用的診斷依據，并判斷患者風險指數。對預后進行客觀、無偏見和快速的評估。醫生結合其診斷分期以及風險評估，可以更個性化地提供治療建議，此外，該產品也可用于將大量的病人數據做重新排序，使高風險病人獲得優先治療，避免了醫生手動分割腫瘤和淋巴結時產生的差異性問題，同時為醫療科研項目和實現精準醫療加以助力。
口咽癌PET影像學預后標記，全自動、客觀、泛化性強，能補充現行臨床口咽癌分期系統（HPV & TNM），有望定制個性化治療方案。
5月23日與24日19:30-22:00，機器之心特別邀請到呂樂博士團隊分享他們在醫學影像分析和計算機輔助癌癥診斷上的最新進展，具體安排如下：
直播地址：https:http://jmq.h5.xeknow.com/s/4ENAqT（點擊閱讀原文直達）
5月23日 19:30-22:00
主題一：CT圖像中的通用病灶分析算法和在智能PACS系統中的應用
分享摘要：放射科醫生在日常工作中需要閱讀大量醫學影像，發現每個器官中病灶，并進行測量、比較等操作，為了減輕醫生的勞動量、降低主觀性差異和漏診，我們設計了通用病灶分析算法，對多種病灶進行自動檢測、跟蹤和測量，我們的研究基于大數據、弱標簽，利用先驗知識和人機交互挖掘缺失標注，訓練多數據集融合的病灶檢測算法，我們利用有監督和自監督兩種方式，在隨訪圖像中進行病灶跟蹤和像素配準。我們還開發了基于弱標簽的病灶測量和分割算法，
分享嘉賓：
閆軻：平安科技美國華盛頓特區研究院高級研究員，主要研究方向為通用病灶分析，基于CT等圖像的計算機輔助診斷等，
蔡進錚：平安科技美國華盛頓特區研究院高級研究員，主要研究方向為三維影像的自動分割，通用病灶的自動檢測，以及基于CT、MRI等醫學影像的計算機輔助診斷。
唐有寶：平安科技美國華盛頓特區研究院高級研究員，主要研究方向為通用病灶分析，包括病灶檢測、跟蹤、測量及分割等相關任務。
主題二：醫學影像+AI在精準腫瘤學中的應用：篩查、診斷及預后
分享摘要：深度學習已廣泛應用到癌癥影像的臨床工作流程中：從病灶檢測、病灶描述，到結局預測等，我們開發了針對胰腺癌診療全流程的影像AI算法：
對無癥狀或有癥狀的患者，AI模型能從平掃CT影像中檢測胰腺是否有異常占位；
對懷疑有異常的患者，AI模型能根據增強CT影像鑒別是否為胰腺癌，并推薦適當的患者管理策略；
對確診為胰腺癌的患者，AI模型根據增強CT影像，預測患者風險分數，潛在影響術前、術后治療方案的選擇，此外，我們還開發了基于PET影像的口咽癌預后生物標記，并進行了多中心臨床驗證，
分享嘉賓：
張靈：平安科技美國華盛頓特區研究院主管研究員，致力于開發針對癌癥篩查、鑒別診斷、及治療管理的影像AI工具，
姚佳文：平安科技美國華盛頓特區研究院高級研究員，主要研究方向為基于三維影像的預后評估，包括腫瘤自動分割，病人生存風險及治療響應評估預測等相關任務。
5月24日 19:30-22:00
主題一：人工智能在X光骨密度評估與骨折診斷中的應用
分享摘要：骨質疏松癥與其導致的脆性骨折是嚴重影響社會公共健康的流行病，X光作為最為普及的醫學影像技術，被廣泛應用于各類骨骼疾病的診斷。我們將人工智能技術應用于X光影像分析，以提高骨質疏松的篩查率和骨折診斷準確率，我們的研究利用大數據挖掘X光平片中的與骨密度相關的骨折征象，旨在使用X光平片對骨質疏松進行伺機性篩查。我們還利用骨骼對稱性分析、弱監督及半監督學習技術，開發X光片骨折檢測算法。
分享嘉賓：苗舜，平安科技美國華盛頓特區研究院主管研究員，主要開展X光骨骼健康狀況評估、骨折檢測等方向的研究工作，
主題二：癌癥放射治療中的靶區與危及器官的三維精準分割
分享摘要：放射治療被廣泛應用于多種癌癥的根治性或輔助性治療中，其中的三維靶區精準勾畫是核心任務之一，手動靶區勾畫異常費時，且嚴重依賴腫瘤放療醫生的經驗水平。為了減小醫生工作量和提高準確度，我們開發了多個靶區的自動分割算法，涵蓋胸部到頭頸部多種癌癥的腫瘤、臨床靶區、癌化淋巴結和危及器官，算法通過建模醫生的先驗知識和推理過程，極大的提高了分割準確度，所涉及到的技術包括多模態影像融合、空間距離模型、分層學習以及網路自動搜索等，
分享嘉賓：金達開，平安科技美國華盛頓特區研究院主管研究員，主要研究方向為癌癥放射治療中的靶區自動勾畫，包括腫胸部和頭頸部的腫瘤靶區、臨床靶區、癌化淋巴結，淋巴站和危機器官的分割和檢測。
掃碼入群：針對本次分享主題，歡迎大家進群一起交流，
如群已超出人數限制，請添加其他小助手：syncedai2、syncedai3、syncedai4 或 syncedai5，備注「PAII」即可加入。
