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人左右。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。
（MICCAI 2019大会主席 沈定刚教授）
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，让雷锋网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）
（MICCAI Society Fellow、英国帝国理工学院教授Daniel Rueckert）
深度学习是近几年人工智能的主流方法，这次大会收录的500多篇论文，大都是利用深度学习技术进行临床工作流程的优化或是对具体图像进行计算、分析。
与此同时，我们也可以看到，深度学习与传统知识模型结合的声量越来越大。
CVPR和MICCAI的领域主席、MICCAI 2020 程序委员会联席主席周少华博士，曾在此前自己的一篇文章中表示，现在的研究更在于如何将深度学习结合自己问题的领域知识，才能达到原创性。
（MICCAI理事会成员、MICCAI 2020 程序委员会联席主席 周少华博士）
这个观点在雷锋网与沈定刚教授、Daniel Rueckert教授、Nicolas Ayache教授等人交流时得到了一致的回答。
（MICCAI创始人之一、法国Inria研究主管Nciholas Ayache）
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，周少华博士向雷锋网分享了，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。
目前，国内很多初创公司的发力点集中在诊断环节，但医学是一个很长的链条，每个环节都大有文章可做。将AI应用到源头，即成像质量的提高，将会是未来的一大热点。
在12日的早上，沈定刚教授在一个小型的会议一直强调：未来，单模态、单个流程的诊断方式会向全链条、全栈式的方式发展。从成像、筛查、诊断、预后，以及后面的治疗和随访将大有文章可做。
此前，东软医疗AI首席科学家黄峰也向雷锋网(公众号：雷锋网)表示，设备端的人工智能是真正解决了医院的痛点，给医院创造更多的价值，“医院每天扫描50个病人还是100个病人是有很大区别的，直接影响着医院的接诊能力，医生也更偏爱于智能的设备所带来的高效体验。”
“软件会向硬件靠拢，两者不能分离。因为数据是为了临床服务。”沈教授解释道，这也是自己和周翔博士在面对众多选择时，决定加入联影智能的原因。他将联影集团比作一艘航空母舰，而联影智能的AI产品就是一艘艘的小潜艇，可以自然而然地与硬件进行结合；同时，又可以成为独立产品，直接赋能临床应用。
如何更好的实现设备端的“软硬结合”？联影智能COO 詹翊强分享了联影智能内部的研发模式：构筑一个内部研发平台。通过内部研发模块“复用性”，摊平先期投入的研发成本。“我们在开发第一个AI产品的时候投入会很大，第二个AI产品投入会比较大，但随着应用越来越多，我们的研发投入会越来越小，而且研发周期会短很多。”
在这样的思路下，器械商们也寻求搭建软件生态开放平台。以联影智能为例，联影智能在全国多家医院部署了自家的uAI Clinical Portal，搭载了覆盖脑卒中、肋骨骨折、乳腺病变、气胸等疾病的全栈式AI。
（联影智能COO 詹翊强）
詹翊强表示，在中国，单纯售卖软件很难扩大规模。AI发展到现阶段，软硬结合已经成为重要的发展方向，两者相互依存。“从硬件角度看，软件可以让硬件增值。而从软件的商业角度来说，如果有一个硬件作载体，将易于变现，尤其是在专业领域，例如医疗影像领域，因为对医生而言，软硬一体化解决方案也许更能符合医生的需求。”
未来，人工智能将成为影像分析领域的标配，器械商会越来越注重设备端的智能。
医生和企业的“存在感”越来越强
今年，医生和医疗AI公司成为本次MICCAI大会上不可忽视的两股力量。据了解，今年有20多家企业成为本次大会的赞助商。
并且，医疗AI企业积极投稿，也都取得了不错的成绩：腾讯觅影有8篇论文被收录、联影智能有7篇论文被收录、视见科技有6篇论文被收录、深睿医疗有5篇论文被收录，其他企业也均有论文入选。
沈定刚教授就表示，很早以前国内（包括香港）每年有十篇左右的文章会被接收，比例只有3%-4%。2018年，整个亚洲文章所占的比例还非常低，加起来只有18%。
但是，今年亚洲的录取文章比例已经达到37%，超过了美洲。而这些录取的文章里，绝大多数（150篇左右）来自于中国。“去年国内企业被收录的论文数量接近20篇，今年的数字大概在40篇，医疗AI企业在其中作出了重要的贡献。”
除此之外，大会还对企业敞开了大门，设置了Industry Forum和Industry Session，邀请了来自联影智能、西门子、腾讯、平安科技等公司在大会上分享自己公司的论文。
另一个值得注意的现象是，医生在MICCAI中的身影越来越频繁。
作为“精神放射影像”的代表，华西医院的龚启勇教授在大会第二天上午发表了长达一个小时的Keynote Speech。同时，上海长征医院的刘士远主任、北京大学第一医院的王霄英主任都分别在各自的Session中发表演讲。
当然，从2016年开始，医生就一直是医疗AI产品的引路人。医生也对如今的AI产品提出了很多看法和建议。
王霄英主任说，一些AI模型在临床工作中实际使用时，并不像在实验室一样面对的是经过筛选和清洗的规范化数据。不同医院在常规工作流程中生成和存储的图像数据性质不完全一致，在未做针对性训练的情况下，AI的效能可能受到影响。
“以我们训练的前列腺癌分割模型为例，这个模型需要的是高b值DWI图像，你给它的不是这个格式的图，结果可能就不准确。如果需要由医生人工把AI可以识别的影像分拣出来，再交给AI处理，就做不到自动化，医生仍会不满意。”
（北京大学第一医院医学影像科主任 王霄英）
现在，王霄英主任所在的放射科也在积极地应用公认的、性能稳定的开源框架，尝试做一些AI小工具，目的是探索如何将不同的AI工具顺畅地植入到实际工作流程中，医生应如何使用各种不同的AI工具，如何在实际工作中验证AI的性能。“胸组、神经组、骨肌组、腹组等团队都有各自的项目。发起一个项目的时候，大家会考虑三个因素：工作有没有临床价值、问题是不是常见、技术上是不是可行。”
王霄英认为，普适性的、成熟的AI还没有出现，解决小问题的、提升效率的AI已经进入初步应用。医生对AI正在 “接纳”过程中，医生需要改造传统工作习惯和拓展知识体系，促进AI的发展，提升医疗的价值。
所以，随着医学影像分析的不断深入，医学AI产品的不断迭代更新，医生的“戏份”将越来越重，继续强化企业与医生的对话机制仍然是重点。
MICCAI 2020 共聚热情拉美
“1998年，第一届MICCAI在麻省理工学院举办时，没有人预想到它会发展成为如今的规模，因为那时候的参会人数只有400人左右。但是近几年来，AI技术渗透到了每个角落，也随之点燃了医学影像分析。我们看到，现在图像重建、增强、分类等方向都在大范围应用深度学习和其他有意思的方法。”
MICCAI 2019召开前夕，MICCAI创始主席James Duncan曾对我们说下这么一席话。而经过22年的发展，MICCAI已经成为世界顶级的医学影像分析会议。
2020年，MICCAI将会在秘鲁利马举行。
MICCAI Society主席Leo Joskowicz说到，“我来自墨西哥，并且在那里长大。所以我们的愿景是把MICCAI第一次带到拉丁美洲。四年前，我们就开始竞标了。我们希望把MICCAI给中国带来的影响力带给拉丁美洲，以及激励不同的研究人员。”
10月11日的一次晚餐上，Leo Joskowicz和一位参会者一起吃晚饭。这名参会者提出了一个问题：“人们会去秘鲁吗？毕竟那边没有很强大的学术团体。”
Leo Joskowicz回答道，MICCAI举办的目的，不仅在于那个地方有多少个实验室，还在于会议能够为当地带来哪些影响，是否会激励研究人员投身这个领域。这是MICCAI选择举办地的一个重要考量。
对于今年的两位大会主席，Leo Joskowicz给予了高度的赞扬。他说，为了这次MICCAI，沈定刚教授和刘天明教授做了很长时间的准备，他们完成的非常出色。我觉得多年以后，人们都会记得今年的这次盛会。
大会主席的心扉之言
最后，雷锋网想分享一段来自沈定刚教授的心扉之言。抛开其他顶级学者对MICCAI 2019以及对中国学者的赞誉，沈教授的这番“说给未来”的话，对于医学影像分析领域的后来者，都有足够的收获和教育意义。
现全文摘录如下：
今年 MICCAI 的规模很大，文章有538篇，很多其他领域的人也开始做MICCAI领域的问题，这非常好。但是，如果大家看一下这538篇文章的主题，会惊奇地发现大多数文章只是聚焦于简单的问题，例如简单问题的简单分割和分类问题，很少有文章聚焦于复杂的问题。这个现象在华人的论文里更加明显。
我和刘天明（另外一位 MICCAI 大会主席）看到大会第3天、第 1 session中的9位口头发言者时，心里都惊了一下：这个session里没有国内的人，华人也寥寥无几。主要是因为这方向太难，需要长期投入，而且出文章的周期长。这是国内研究的通病，那就是想在短期出成果，并且没有耐心做长期投入的工作。
这种现象会影响这个领域的研究和人才培养，因为当前这些做容易问题的人会是将来文章的评审者；他们只懂得那些简单问题的简单方法，他们认为好的文章也会是那些相应的简单问题的简单方法，因为他们没有做难的问题和想深入方法的训练和经验。这样下去，国内（包括国际）这个领域的研究、人才培养和相应的产业都会毁了，因为那些在做难问题、需要长期时间投入的人发不了文章，拿不到研究资金，升不了职称。这个问题应该引起我们做faculty（老师们）的注意。
