10月17日，级的校友史弋宇在由清华校友总会电子工程系分会、电子系研团、电子系研会联合举办的“学长话前程”系列活动上，做了题为“人工智能在心血管疾病诊疗中的应用”的主题报告。史弋宇学长从清华电子系毕业后成为了美国圣母大学计算机系长聘副教授，该校美国自然科学基金新型可持续智能计算产学研究中心主任，医院访问科学家。他的研究方向包括：人工智能的硬件加速以及在医疗领域的应用。
心血管诊疗影响遇到的机遇和面临的挑战
▲各类疾病致死数据
首先，史弋宇学长先引出该课题的研究背景：心血管诊疗影响遇到的机遇和面临的挑战。
第一个问题，从上图可以看到，心血管病是全球致死率最高的疾病，在中国居民中，不管是在农村还是城市，心血管病也都是首要的致死原因。第二个问题，心血管病的诊治依赖于多种影像的结合，所以比较困难。
人工智能的机遇也同时是存在的，在心血管病诊疗中，我们需要把多种数据，多种影像有机的结合在一起，因此我们希望能有一个机器学习一体化的平台。一方面能够把心血管的影像技术和机器学习融合到一起，帮助医生针对影像做出报告，进行一些评估。另一方面希望机器学习能够做一些临床辅助决策支持的工作。第三个方面是希望人工智能可以进行疗效评估，比如手术成功率怎么样，亦或是五年生存率怎么样，这样能够为一些经验不足的医生提供辅助。
人工智能应用在心血管疾病的诊治中难度很大，而学长重点研究的先天性心脏病又是心血管疾病中最为复杂棘手的一种，学长指出J.F.Kennedy说的话,Wechoosetogothemoon,notbecausetheyareeasy,butbecausetheyarehard，就是因为这个问题很困难，所以我们才要去做，帮助很多的病人和医生。
三个代表性工作
接着史弋宇学长介绍了三个代表性工作：
1.智能核磁辅助的实时术中导航：
在心脏介入术中，很多时候可以通过MR（磁共振）提供导航，比如导管的位置，这样对于医生来说等于多了一双眼睛，手术的效率和成功率都会有所提高。
▲基于分布的随机神经网络在诊断中的应用
MR术中辅助要求对影像能够进行实时分割，满足最低吞吐量和最大延迟的要求。鉴于MRI的影像在相邻帧之间有很强时间相关性，同一帧影像内也有空间相关性。史老师的团队提出了ICA-UNet，一种基于分布的随机神经网络，把输入的多帧影像认为服从某个随机分布，接着在神经网络中进行的是基于这个分布的运算。这种方法可以极大提高计算吞吐量从而满足实时分割的需求，同时在准确度上也高于之前的算法。
2.3D建模影像处理技术在先天性心脏病的诊断中的应用：
3D影像可能有多层，每层也是乘的。这么大的图像无法有效的利用3D神经网络进行多模块分割，而使用2D的网络则会降低准确性。
▲利用3D神经网络对心脏影像进行分割
史弋宇学长提出的解决方案是先把整个心脏的原始影像用3D神经网络来做分割，并且这个过程中只分割它的血池，包括了心房，心室，心肌等。这样可以把血池的边界先较为精准的分割出来，而且对计算量的需求也不会太大。接着再把每一层2D的影像提取出来，具体分割里面的心房心室等。这样基于2D图像的分割，它们的位置基本是准确的，但是边缘信息可能会有所丢失。然后我们再把3D分割得到清晰的边缘和2D的进行融合和修正，就能够形成一个比较精确的分割结果。
先天性心脏病的影像不仅仅是图象像素上有变化，而是整个空间结构上发生了很大的改变，神经网络不是很善于提取相关的特征。
▲提取分割的结果中的血管
史弋宇学长针对空间结构上变化的解决方法是把其分割结果中的血管单独提取出来。因为先心病心脏结构上的改变大多都反应在血管和心腔的结构以及连接关系上，把血管提取出来之后，可以形成一个图。基于这样的方法，可以事先建立对于不同的类型的先心病对应的血管连接关系的图结构库，在实际使用时，可以用graphmatching的方法看提取出来的图和库里的哪一种类型的先心病对应的图是最接近的。
▲方案精度对比
这种先天性心脏病的诊断方法，基于建模的结果和临床医学知识，构建一个决策时来判断先天性心脏病的类型。临床诊断的准确度已经可以非常接近专业影像医生的水平。
3.先天性心脏病的术后预测：
完全性肺静脉异位引流疾病（简称TAPVC）是一个死亡率接近80%的疾病，即使进行了手术干预它的死亡率还有5%到7%，而术后的主要死亡原因是肺静脉阻塞（简称PVO），如果能够在术前识别出来这个病人之后可能有比较高的PVO复发的风险，早期就能够提供一些预防性的治疗，提高他们生存的机会。但现在临床上并没有任何用来预测PVO发生的模型，也完全不清楚CT等影像是否对这类预测有所帮助。
▲三种方法的ROC曲线
史弋宇学长接着做了基于用临床数据的回归预测方法，基于CT影像的深度学习方法，以及结合前两者的方法。
上图是三个方法的ROC曲线，可以看到红色是同时使用临床数据和影像进行预测，它比只做用临床数据和比只用影像效果都是明显要更好的。这就说明，CT影像确实对于PVO的预测是有帮助的，但具体是影像上的什么信息对PVO预测有效还需要进一步的研究。
接着学长跟我们介绍了VR和VM等新技术在先心病人工智能辅助诊疗中的作用。
▲VR和VM在辅助诊疗中的作用
问答环节
史弋宇学长在介绍并分析了人工智能在心血管疾病诊疗中的应用后，还对参与活动的老师同学们的提问进行了一一回答。
Q
如何处理临床大规模应用数据泛化问题？
史弋宇：
从医生角度来说，就涉及到一个医生的水平问题，不同的医生可能水平有所差距，就算同样都是专家，可能对于同一个疾病或者同一张影像他的认知和看法也不完全一样。这就会带来数据标注的问题，它未必是一致的，或者未必一定都是对的。对于病人，不同地区的病人可能不太一样，比如说考虑到人种差异，美国常见的疾病类型和中国就不完全一样，而治疗的方式可能也会有差异。
从影像角度来说，同样的CT或者MR的设备，不同公司的产品成像特征会有差别，哪怕是同一家公司的设备，使用时的差异（比如MR线圈摆放的位置不同)，它的伪影都会不一样。很难单纯靠扩大数据集来完美解决这样一个问题，更多的时候还是需要让人工智能在实际应用中有一个自我完善或者自我更新的能力。
Q
SOTA离临床应用还有多远？
史弋宇：
在很多问题上，现在的SOTA精度其实已经很高了。
但是用在医学领域，需要考虑一些问题，比如最终的目标是什么，如果是说要取代医生来进行诊断的话，这个时候你的准确度哪怕是99.9%，医生敢不敢用都不好说，因为那个0.1%它有可能错的很离谱。人去诊断他错，他至少是可控的，可以及时纠正的，而机器诊断则不同。所以如何在临床上让医生能够去信赖机器诊断的结果是一个需要解决的问题。这在某种意义上和自动驾驶是有异曲同工之妙，就是有一个可信赖性，这个短期内比较难解决。所以从短期来看，临床上更多应用应该是起到辅助作用，帮助医生更快更好的做出诊断，决定治疗方案决策，评估预后，而不是完全去取代医生，所以我最后几页讲的更多是辅助。
“学长话前程”是由清华校友总会电子工程系分会、电子系研团、电子系研究生会联合举办的系列活动。活动包含“学术篇”、“求职篇”、“创业篇”三个部分，旨在加强校友与学生之间的联系，为校友传播价值，为学生答疑解惑。
点击阅读原文可观看本期录播
图文｜电子系研会
审核
刘一民、小乔
预览时标签不可点收录于话题#个上一篇下一篇