姓名：張萌? ? ? ? ? 學(xué)號(hào)17021211113

轉(zhuǎn)載自：http://mp.weixin.qq.com/s/mkYVhiwQJwcXxUdBVUvU8w

【嵌牛導(dǎo)讀】：醫(yī)療影像是什么，醫(yī)療影像處理在做什么快鱼，醫(yī)療影像技術(shù)要往哪里去颠印。

【嵌牛鼻子】:醫(yī)療影像

【嵌牛提問】：醫(yī)療影像發(fā)展前景如何？

【嵌牛正文】：醫(yī)療抹竹，是「死生亦大矣」層面的討論线罕。這個(gè)鮮少「跟風(fēng)」、轉(zhuǎn)變審慎到近乎遲滯的行業(yè)窃判，領(lǐng)域內(nèi)研究通常要落后工程技術(shù)業(yè)界五年钞楼。

而這一次深度學(xué)習(xí)的高熱從自然影像蔓延到醫(yī)療影像，只用了不到兩年袄琳。就算數(shù)據(jù)維度不一樣询件、工具不能套用燃乍，研究者們還是義無反顧地跳了這個(gè)坑。這等擴(kuò)散能力雳殊，可以說是堪比癌細(xì)胞了橘沥。

如今，深度學(xué)習(xí)跨領(lǐng)域的霸權(quán)地位夯秃，讓跨領(lǐng)域的技術(shù)探討變得容易——如今三百六十行里座咆，誰也離不開「分層、激活仓洼、反向傳播」三板斧介陶。八竿子打不著的兩個(gè)領(lǐng)域里，討論起彼此的神經(jīng)網(wǎng)絡(luò)也是津津有味色建。然而醫(yī)療影像圈卻總是顯得格外神秘：當(dāng)我們談起醫(yī)療影像哺呜，除了知道研究對(duì)象是五臟廟，最終目的是節(jié)約醫(yī)療資源之外箕戳，仿佛不再有其他談資某残。

醫(yī)療影像是什么，醫(yī)療影像處理在做什么陵吸，醫(yī)療影像技術(shù)要往哪里去玻墅。這一回，我們和體素科技創(chuàng)始人壮虫、第一批代表醫(yī)療影像界吃深度學(xué)習(xí)這口螃蟹的研究者澳厢，丁曉偉博士從技術(shù)層面聊了聊這「哲學(xué)三問」。

醫(yī)療影像和自然影像有什么不一樣

醫(yī)療影像的特點(diǎn)囚似，一言以蔽之剩拢，就是「特別大，同時(shí)特別小」饶唤。

「大」體現(xiàn)在維數(shù)上徐伐，也體現(xiàn)在空間分辨率和色彩分辨率上。

無論是人手一部的智能手機(jī)還是專業(yè)的單反相機(jī)搬素，日常生活里的影像都天然是二維的呵晨，即使是深度攝像機(jī)，也只能捕捉到「2.5 維」的信息：鏡頭與障礙物之間的直線距離變成了已知熬尺，然而中間空氣的內(nèi)容仍然是未知。而許多醫(yī)療影像谓罗，如 CT（電腦斷層掃描）與 MRI（核磁共振成像）粱哼，則是天然三維的，一個(gè)更學(xué)術(shù)的說法檩咱，就是三維坐標(biāo)系里每一個(gè)點(diǎn)都有對(duì)應(yīng)的像素值揭措。

在分辨率上胯舷，自然影像界標(biāo)桿一樣的數(shù)據(jù)集 ImageNet，平均圖像大小在 469*387绊含，一般的視覺模型會(huì)把圖像處理成 256*256 后進(jìn)行操作桑嘶。而一張普通的 2D X 光片的分辨率在 3000*3000 左右，一組 3D 的 CT 影像維度則在 500*500*500 左右躬充。

同時(shí)逃顶，一張 8 位色的自然圖像有 256 階，而一張 CT 影像則有上萬階充甚。這還只是「普通」的醫(yī)療影像以政，至于動(dòng)輒 50G 一張的病理圖片，在醫(yī)療影像界也是屢見不鮮伴找。

有人會(huì)說盈蛮，圖像大有什么要緊，壓縮不就行了技矮？然而自 1895 年倫琴發(fā)現(xiàn) X 光以來抖誉，無數(shù)醫(yī)學(xué)影像學(xué)的工程師與醫(yī)生窮極職業(yè)生涯之力，只為用有限的輻射劑量提供盡可能清晰的影像衰倦，力求輔助醫(yī)生進(jìn)行更為精確的診斷袒炉。每個(gè)像素的信息都得來不易，又豈能輕易放棄耿币。

所以梳杏，醫(yī)療影像模型，還沒開始就注定比其他視覺模型難上一個(gè)數(shù)量級(jí)淹接。

既然醫(yī)療影像天生就是 3D 影像十性，所以使用 3D 模型而不是 2D 模型解決問題，聽起來似乎是一個(gè)理所當(dāng)然的選項(xiàng)塑悼？

其實(shí)不盡然劲适。以丁曉偉為代表的第一批將深度學(xué)習(xí)引入醫(yī)療影像的研究者從 2013 年開始做 3D 深度學(xué)習(xí)模型，但是直到今天厢蒜，在解決 3D 醫(yī)療影像問題上霞势，「2D 和 3D 模型各有優(yōu)劣，哪種更有效仍然沒有定論」斑鸦。

3D 模型的優(yōu)點(diǎn)和缺點(diǎn)一樣明顯愕贡。醫(yī)療影像問題本身無疑是 3D 問題，病人是 3D 的病人巷屿，病灶是 3D 的病灶固以，2D 截面是會(huì)破壞其空間延續(xù)性、損失 3D 空間信息量的。一個(gè)腫瘤的截面和一個(gè)一個(gè)血管的橫截面憨琳，在像素和特征角度都沒有任何區(qū)別诫钓，理論上無法區(qū)分開，可只要你上下看一看篙螟，蜿蜒的血管和球狀的腫瘤就一目了然了菌湃。然而，3D 模型也沒有成熟的遍略、經(jīng)過驗(yàn)證的結(jié)構(gòu)惧所。選擇了 3D 模型就選擇了在知識(shí)的荒野里開疆辟土，沒有先人證明可行的結(jié)構(gòu)墅冷，更不用說經(jīng)過預(yù)訓(xùn)練的參數(shù)設(shè)置纯路，一切都要從頭做起。

而且 3D 模型本身也是一個(gè)龐然大物寞忿。卷積神經(jīng)網(wǎng)絡(luò)（CNN）的高效之處在于它利用了小的卷積核（kernel）來大幅減少需要優(yōu)化的參數(shù)的數(shù)量驰唬，例如一個(gè) 4*4 大小的卷積核只需要對(duì) 16 個(gè)參數(shù)進(jìn)行優(yōu)化。但是 3D 模型一下子就把需要優(yōu)化的參數(shù)數(shù)量做了指數(shù)升級(jí)腔彰，一個(gè) 4*4*4 的卷積核就有 64 個(gè)需要優(yōu)化的參數(shù)叫编，隨之而來的是過擬合（overfitting）風(fēng)險(xiǎn)的急劇升高，難易訓(xùn)練出泛化（generalization）效果良好的模型霹抛。

因此也有研究者試圖另辟蹊徑搓逾，在 2D 空間里找一些技巧來引入 3D 信息：比如把 5 張橫截面影像疊在一起，以一個(gè)堆（stack）的形式作為模型的輸入杯拐。而 3D 模型的研究者也想盡辦法把圖像做聰明的切割和重組霞篡。

迄今為止，兩種思路打了個(gè)平手端逼。誰也沒有明顯的優(yōu)勢朗兵。

但是體素仍然選擇了 3D 模型《ヌ玻「也是一個(gè)風(fēng)險(xiǎn)很大的探索過程吧余掖。我的個(gè)人風(fēng)格是不太喜歡從工程角度取巧，問題是什么樣礁鲁，模型就應(yīng)該是什么樣盐欺。」而面對(duì) 3D 模型沒有通用數(shù)據(jù)集仅醇、沒有預(yù)訓(xùn)練模型的弱點(diǎn)冗美，體素的答案也很簡單：自己做∥龆「我們想做醫(yī)療影像界的 ImageNet墩衙。」甲抖，丁曉偉說漆改，「我們想把人的各種結(jié)構(gòu)、各類常見病種病理全部交給一個(gè)統(tǒng)一模型（unified model）准谚，讓模型首先對(duì)影像里『有什么』有一個(gè)概念挫剑，然后再針對(duì)具體的應(yīng)用開發(fā)精校的模型≈危」

「小」體現(xiàn)在關(guān)注區(qū)域上樊破。

自然圖像處理問題大多關(guān)心的是在圖像中貢獻(xiàn)主要語義的主要物體，如人唆铐，人臉哲戚，車輛，車牌艾岂，道路顺少，目標(biāo)面積占畫幅比例較大，大的超過 30%王浴，小的也應(yīng)有 2%脆炎。這些目標(biāo)有較為充足的細(xì)節(jié)和信息量供深度學(xué)習(xí)按層級(jí)抽取特征。

而在醫(yī)學(xué)影像中則不同氓辣，圖像中的主要物體是正常的人體結(jié)構(gòu)秒裕，而這并不是關(guān)注的重點(diǎn)，很多場景關(guān)心的目標(biāo)是早期的微小病灶钞啸。假設(shè)有一個(gè) 3mm 的近似球形的腫瘤需要在薄層 CT 中檢出几蜻，那么這個(gè)目標(biāo)物體在整個(gè) 500*500*500 分辨率的 3D 畫幅中只占有不到 25 個(gè)體積像素（體素），那么這個(gè)物體占畫幅比例是不超過 0.0125% 的体斩。并且在一個(gè)平面上不足 10 像素的物體上梭稚，也是不足以抽取具有層級(jí)關(guān)系的圖像特征的，從而模型縱然有很強(qiáng)的表達(dá)能力硕勿，也無用武之地哨毁。

拿到醫(yī)療影像之后，計(jì)算機(jī)能夠做什么

一個(gè)比較清晰的分類角度源武，是先按處理的序列數(shù)劃分扼褪，再按處理的層級(jí)劃分。

首先粱栖，所有的影像都可以在一個(gè)序列上進(jìn)行處理话浇，常見的有檢測（detection，用邊界框的形式確定物體的位置在哪里）闹究，分割（segmentation幔崖，找到邊緣，能夠量化大小等對(duì)特征提取比較有利的要素），分類（classification赏寇，將分割后的區(qū)塊歸類）吉嫩；圖像質(zhì)量/信息量處理（image post processing，如用生成的方法提高圖像分辨率嗅定、圖像降噪等）自娩。這些處理方式與自然影像的處理方式非常類似。例如渠退，自動(dòng)駕駛相關(guān)的圖像處理也需要在連續(xù)的圖像里用邊界框圈出機(jī)動(dòng)車忙迁、非機(jī)動(dòng)車、行人等物體碎乃。

底層處理完成后姊扔，就可以根據(jù)接下來要解決的具體問題開發(fā)上層應(yīng)用了。比如梅誓，它可以幫幫忙幫到底——幫醫(yī)生找到病灶之后恰梢，把報(bào)告也一起寫了。當(dāng)模型能夠?qū)Φ讓拥姆治鼋Y(jié)果進(jìn)行語義層面的歸納總結(jié)证九，并且針對(duì)需要報(bào)告的內(nèi)容進(jìn)行系統(tǒng)的訓(xùn)練删豺，轉(zhuǎn)換成自然語言形式的報(bào)告就不是太難的事情了。

當(dāng)計(jì)算機(jī)對(duì)圖像中的生理結(jié)果和病灶有了認(rèn)知之后愧怜，就可以在此之上完成更多高級(jí)任務(wù)呀页。比如計(jì)算機(jī)也可以通過力學(xué)和熱力學(xué)仿真完成大量的組織動(dòng)態(tài)功能重現(xiàn)、手術(shù)規(guī)劃工作拥坛。比如蓬蝶，對(duì)心臟冠狀動(dòng)脈增強(qiáng) CT 進(jìn)行底層處理、重建出心臟血管的管腔和管壁的位置之后猜惋，算法可以進(jìn)一步進(jìn)行流體力學(xué)仿真丸氛，重現(xiàn)血液在血管內(nèi)流動(dòng)的情況，用于輔助評(píng)估一種有創(chuàng)介入檢查 FFR 才能獲得的冠心病診斷信息著摔。熱力學(xué)模擬的例子也很多缓窜。比如在病灶消融前，通過模擬不同的探針溫度谍咆、位置禾锤，選擇最合適的方案。在放射性療法里摹察，射線無法轉(zhuǎn)彎恩掷，所以要確定合適的角度，保證不打到重要的器官供嚎，又能盡可能消除腫瘤黄娘；射線的副作用也很大峭状，所以要慎重選擇劑量，來達(dá)到理想的效果…… 帶模擬的手術(shù)規(guī)劃就好像把手術(shù)這件原來只有一次機(jī)會(huì)的演出逼争，變成了可以提前一個(gè)月「實(shí)地有道具彩排」的活動(dòng)优床。

不僅僅是這些致命的「疑難雜癥」，隨著醫(yī)學(xué)手段的不斷進(jìn)步氮凝，當(dāng)一項(xiàng)病癥治愈的希望變得很大的羔巢，術(shù)后生活質(zhì)量就變成了一項(xiàng)重要的考量，而醫(yī)療影像支持的手術(shù)模擬在這里的施展空間同樣很大罩阵。例如，「前列腺癌」雖然聽起來很嚴(yán)重启摄，但隨著根除手術(shù)的普及已經(jīng)變得幾乎不致命了稿壁。但是醫(yī)生逐漸發(fā)現(xiàn)，術(shù)后很多病人會(huì)出現(xiàn)尿失禁癥狀歉备。研究發(fā)現(xiàn)傅是，是前列腺的切除影響了膀胱與尿道的壓力平衡，單靠尿道括約肌本身的力量不足以抵抗來自膀胱的壓力蕾羊。于是醫(yī)生開始利用醫(yī)療影像技術(shù)做模擬：在術(shù)前拍攝膀胱有水情景下的 MRI喧笔，進(jìn)行有重力、甚至跳躍情境下幾倍重力的尿道受力模擬龟再，確保其外部壓力一直大于內(nèi)部壓力书闸。這就是充分利用計(jì)算機(jī)的「算力」，做人眼之所不能利凑。

一張影像的應(yīng)用場景已經(jīng)如此豐富了浆劲，然而多張影像的之上能玩出的花樣只有更多。

配準(zhǔn)（registration）是把不同掃描序列按照生理結(jié)構(gòu)對(duì)齊達(dá)到重合的目的哀澈，用于對(duì)比不同檢查中的差異牌借。所以秒咨，影像的背景部分可以大刀闊斧地調(diào)整剑逃，通過變形變換（deformation transformation）大莫，把病人每次拍照時(shí)因?yàn)樽藙莸牟煌爻旱降那惑w部位不同而導(dǎo)致的無法重合問題通過形狀云茸、大小腰奋、角度的變換來進(jìn)行對(duì)準(zhǔn)裆赵，保證多組照片之間互相可比豆赏。而病灶部分只能嚴(yán)謹(jǐn)?shù)匚⒄{(diào)束凑，通過只有六個(gè)空間自由度（dof）的剛體變換（rigid transformation）進(jìn)行旋轉(zhuǎn)和位移晒旅，保證病灶信息不損失。

融合（fusion）指的是同一病人的不同種類的影像的重疊汪诉，旨在把不同類型影像中獲得的信息進(jìn)行綜合废恋。比如 CT 可以觀察到病灶的位置谈秫、結(jié)構(gòu)，卻沒法了解其代謝情況鱼鼓。如果同時(shí)拍攝 PET 核影像（Positron Emission Tomography拟烫，將發(fā)射正電子的放射性核素標(biāo)記到能夠參與血流或代謝過程的化合物上，注射到受檢者體內(nèi)）迄本，同位素會(huì)聚集到代謝旺盛的地方硕淑，但是無法看清結(jié)構(gòu)。拍攝的雖然是「一模一樣」的內(nèi)容嘉赎，但卻會(huì)獲得兩張「完全不像」的影像置媳，但是計(jì)算機(jī)影像系統(tǒng)神奇的地方就在于：完全不像也能對(duì)齊！對(duì)齊之后公条，醫(yī)生就能夠同時(shí)獲得結(jié)構(gòu)與代謝信息拇囊，可以量化地對(duì)用藥效果做預(yù)測。

雖然表面上看起來靶橱，所有醫(yī)療相關(guān)的創(chuàng)業(yè)公司都在做心臟影像寥袭、肺部影像，但大多是完成類似的底層處理关霸，事實(shí)上传黄，進(jìn)入到上層應(yīng)用領(lǐng)域的醫(yī)療影像還是一片「處處皆藍(lán)海」的汪洋队寇，切入角度不同膘掰、目標(biāo)問題不同，影像的用法也就完全不同英上。

體素選擇了三個(gè)方向發(fā)力炭序。其中兩個(gè)致力于解決大型醫(yī)療機(jī)構(gòu)中現(xiàn)有的臨床問題，一個(gè)旨在滿足醫(yī)療機(jī)構(gòu)觸及不到苍日、但是民間仍然呼喚技術(shù)解決方案的需求惭聂。

在與美國的 Cedars-Sinai 醫(yī)療中心、中國的協(xié)和醫(yī)院等大型醫(yī)療機(jī)構(gòu)的合作中相恃，體素想攬下那些「人不愿意做」和「人不適合做」的工作辜纲。

「人不愿意做」的是那些重復(fù)性的、效率低下的工作：找病灶拦耐、量化病灶耕腾、隨訪對(duì)比都屬于這一類任務(wù)。這一類任務(wù)看似簡單杀糯，其實(shí)對(duì)使用場景場合設(shè)計(jì)作出了相當(dāng)高的要求扫俺。「許多人對(duì)場景問題有誤區(qū)在固翰，認(rèn)為做重病狼纬、大病使用量最大羹呵。其實(shí)這里面存在邏輯倒掛。一個(gè)面向某『重病大病』的產(chǎn)品理論上是要面向潛在患病群體疗琉。然而一位來到醫(yī)院的咳嗽患者真的需要一個(gè)『尭曰叮看肺癌，準(zhǔn)確率極高盈简，但是其他肺病一概不會(huì)看』的模型嗎凑耻？」答案顯而易見∧停「『是否有重病大病』是重要的后驗(yàn)知識(shí)香浩，回顧時(shí)候有用，前瞻時(shí)候种吸，沒用弃衍。」

「人不適合做」的種種工作里坚俗，最常見的是「考眼力」。醫(yī)療影像那些細(xì)小的蛛絲馬跡岸裙，常常小到難以刺激人眼捕捉相關(guān)模式猖败。比如心血管鈣化程度量化，再細(xì)心的醫(yī)生也沒精力逐條小血管進(jìn)行檢查降允，然而計(jì)算機(jī)是可以的恩闻，所以「心腦血管風(fēng)險(xiǎn)量化」由不可能變成了可能。

除此之外剧董，還有大量在數(shù)量和難度上無法被醫(yī)療機(jī)構(gòu)處理的問題幢尚。在百萬、千萬人規(guī)模上進(jìn)行特定疾病篩查翅楼；為尚無表達(dá)能力配合醫(yī)院檢查的患兒做被動(dòng)的視力障礙檢查……「醫(yī)院做不了尉剩，民間做不了，全然的藍(lán)海毅臊，這樣的應(yīng)用深入挖掘的話理茎，還有非常多」苕遥」采訪過程中皂林，丁曉偉從頭至尾沒有提到同業(yè)競爭，只有做不過來的項(xiàng)目蚯撩，和解決不完的新問題础倍。

從業(yè)者眼里的技術(shù)壁壘和破壁方向

定義了研究對(duì)象，了解了研究方法胎挎，接下來我們談?wù)剺I(yè)內(nèi)人士眼里這個(gè)領(lǐng)域的「邊界」沟启。

「我專門拿這個(gè)問題問了很多周圍的研究者忆家，這是一個(gè)匯總而來的答案∶榔郑」弦赖，兩個(gè)小時(shí)的采訪里，這是丁曉偉第一次拿起手機(jī)浦辨。

首先是如何降低標(biāo)記數(shù)據(jù)的成本和工作量蹬竖。

一位成熟的影像科醫(yī)生需要八年學(xué)習(xí)與更長時(shí)間的臨床經(jīng)驗(yàn)。即使人工智能所催生的數(shù)據(jù)標(biāo)注行業(yè)發(fā)展再快流酬，也很難培養(yǎng)出具有類似相應(yīng)水平的標(biāo)注員币厕。更何況，即使是專業(yè)人士之間芽腾，觀察者方差也很大旦装。兩位醫(yī)生標(biāo)記同一張影像，結(jié)果也可能相差甚遠(yuǎn)摊滔。

因此阴绢，不斷有新的標(biāo)記簡化方法被開發(fā)出來。類似自然影像領(lǐng)域的迭代標(biāo)記很快被采用：初始模型完成開發(fā)之后艰躺，立刻接棒大規(guī)模標(biāo)記工作呻袭，人工轉(zhuǎn)而花在質(zhì)量控制工作上。還有一些從一開始就試圖以更加系統(tǒng)化的思路拆分問題的方法：如果一個(gè)萬張規(guī)模的數(shù)據(jù)庫擺在你面前腺兴，你只有能力標(biāo)注兩千張左电，那么你選擇哪兩千？這是一個(gè)復(fù)雜的統(tǒng)計(jì)學(xué)采樣問題：要在無監(jiān)督的前提下页响，選擇兩千張既能貢獻(xiàn)平衡的分布篓足、又能反映典型特征、還能照顧到異常值的數(shù)據(jù)闰蚕。這是一個(gè)直接影響最終模型質(zhì)量的關(guān)鍵選擇栈拖。

然后是多任務(wù)（multi-tasking）模型的開發(fā)。

醫(yī)療影像問題基本可以拆解成一串彼此相連的問題：找到異常位置陪腌、判斷異常類型辱魁、量化異常大小，再加上開始治療后的隨訪對(duì)比诗鸭。既然選擇做分析染簇，就沒有只做一項(xiàng)的道理∏堪叮可是如果每一個(gè)環(huán)節(jié)都用專門模型做锻弓，一張圖要被來回調(diào)用三、四遍蝌箍，模型間還不能相互借鑒經(jīng)驗(yàn)青灼，這對(duì)于計(jì)算資源和醫(yī)療資源暴心，都是一種浪費(fèi)。

能不能無縫地把幾項(xiàng)任務(wù)銜接起來杂拨？找病灶的同時(shí)能否完成分割與分類呢专普？在多任務(wù)意識(shí)上，醫(yī)療影像界和自然影像界可以說不謀而合弹沽。Facebook 的何愷明于 CVPR 2016 發(fā)表的論文就是以多任務(wù) CNN 為主題檀夹。實(shí)踐證明，聯(lián)合任務(wù)的效率與表現(xiàn)比單獨(dú)完成任何一個(gè)任務(wù)都要高策橘。

此外還有多實(shí)例認(rèn)知（multi-instance awareness）炸渡。

如今的分割算法可以把圖像中的淋巴結(jié)區(qū)域從非淋巴結(jié)區(qū)域里分割出來。卻沒辦法把一團(tuán)淋巴結(jié)彼此區(qū)分開來丽已。在實(shí)際治療里蚌堵，可能淋巴結(jié)「張三」需要整體切除，淋巴結(jié)「李四」卻值得部分保留沛婴『鹞罚可惜分割模型是個(gè)臉盲患者，面對(duì)病灶出現(xiàn)在多個(gè)實(shí)例上的「多發(fā)情況」嘁灯，只能機(jī)械地對(duì)所有實(shí)例一視同仁宫仗。無差別對(duì)待不可行，所以需要讓模型有能區(qū)分「張三」和「李四」的能力旁仿。

而最重要的，是對(duì)醫(yī)療大數(shù)據(jù)的定義和利用孽糖。

雖然單張數(shù)據(jù)信息量很大枯冈，但如今以千、萬為數(shù)據(jù)單位的醫(yī)學(xué)影像和以百萬办悟、千萬為規(guī)模的自然影像相比尘奏，還遠(yuǎn)不能算一個(gè)「大數(shù)據(jù)」問題。差距不僅體現(xiàn)在橫向比較病蛉，如今拿出來能用的醫(yī)療數(shù)據(jù)和醫(yī)院里存儲(chǔ)的數(shù)據(jù)相比也是九牛一毛炫加。

「真正的大數(shù)據(jù)，是就把躺在醫(yī)院數(shù)據(jù)庫里的數(shù)據(jù)铺然、就把臨床過程里記錄下來的數(shù)據(jù)拿出來用俗孝。」所以魄健，不懂自然語言的計(jì)算機(jī)視覺專家不是好的醫(yī)療影像研究者赋铝。醫(yī)生的病例報(bào)告里對(duì)病灶位置的描述，就是最好的標(biāo)注沽瘦。把文字轉(zhuǎn)換成邊界框革骨，再轉(zhuǎn)換為算法的訓(xùn)練集农尖。只有不需要刻意進(jìn)行的數(shù)據(jù)標(biāo)注，才是處理百萬良哲、千萬級(jí)別數(shù)據(jù)的辦法盛卡，才是醫(yī)療大數(shù)據(jù)問題的答案。這是為醫(yī)療影像領(lǐng)域「修高速公路」的工作筑凫，什么時(shí)候這條高速公路通車了滑沧，什么時(shí)候醫(yī)療影像才能真正進(jìn)入「大數(shù)據(jù)時(shí)代」。Nvdia 和 NIH 的 Le Lu 博士的工作代表了這個(gè)方向的先進(jìn)成果漏健。

體素的公司愿景里嚎货，有一條是「提供醫(yī)療語義級(jí)別的醫(yī)學(xué)影像知識(shí)圖譜 API」。采訪開始前蔫浆，我曾經(jīng)對(duì)這個(gè)用兩組形容詞就橫跨了計(jì)算機(jī)視覺和自然語言處理的說法感到困惑殖属。

原來為了醫(yī)療這個(gè)崇高的目標(biāo)，真的有研究者踏上了修建溝通語言與圖像的巴比倫塔的征途瓦盛。