编者按：
2018年4月13日-15日，第十五届中国脑血管病论坛在北京成功举行。脑血管病论坛的AI分论坛，作为神经外科或脑血管病专业的AI论坛首场秀，也取得圆满成功。我们将陆续对讲者的报告作深入报道。第一位讲者是来自美国的Leo YIN博士，他曾任iCAD Inc.有限公司（美国新罕布什尔州）资深研究科学家；主导多项医学图像人工智能处理的产品开发，此次报告主题是《医学图像的深度学习——历史、发展和展望》。首先通过自己开发的几个产品化项目，主要是人工智能和深度学习技术在医学图像领域的几个应用实例（包括3D前列腺MRI图像自动分析系统、三维乳腺X光片癌症自动检测），说明美国食品药品监督总局（FDA）对人工智能尤其是深度学习技术在医学图像领域应用的认可。之后从历史角度回顾以传统机器学习为代表的人工智能发展历程，人工智能的概念起源于上世纪40、50年代，其目的是让机器具有人一样的智慧，但经历过几次高潮与低谷，目前则处于一个新的浪头。随后通过说明人工神经网以及深度卷积人工神经网在图像识别大赛上的成功，引出深度学习这项技术，并介绍了目前其应用领域。最后通过对最新深度学习的技术及其和产品取得商业成功的联系，展望了人工智能在医学图像领域的未来发展方向。在不久的将来，深度学习和无监督学习，强化学习将可以运用到医学研究领域，机器就可以不依赖人的指导创造出更优的医学诊断与治疗方案。总之，在医学图像领域还有很大空间和前景等待更多的人从事人工智能和深度学习技术去探索和解决实际的问题，以造福人类。
医学图像的深度学习——历史、发展和展望
美国 Leo YIN博士
Leo Yin来自美国，演讲的题目是医学图像的深度学习，历史，发展和展望。
Leo Yin首先介绍自己的研究背景，从2006年开始正式从事医学图像研究。在美国爱荷华大学师从IEEE的院士，Milan Sonka教授攻读博士学位。研究如何把人工智能应用到医学图像上。当时主持美国健康总署的最高R01项目的研究。
在2010年取得博士学位后，Leo Yin加入了美国iCAD公司，而后负责多个人工智能相关的医学图像产品的研发，并取得美国食品药品监督总局的审批进而上市销售
三维膝盖软骨MRI图像自动分割，是Leo Yin在2010年前负责研发的NIH最高R01项目，其研究成果不仅发表在医学图像的顶级期刊上，且成果进行了产品化，并由项目合作公司美国Medical Imaging Applications负责销售
之后，在2012年同年Leo Yin和同事们最早运用深度学习技术在医学图像产品上，并在三维乳房X光片上实现了癌症自动检测。这个产品取得了巨大的成功，并创造了多项世界第一。
开创性的从2D数据通过深度学习技术提取并转化信息到3D，以解决三维乳房断层摄影数据缺乏的世界难，在2016年它成为是第一批基于深度学习技术并通过美国 FDA最严格的三类认证的医学图像产品，标志着FDA已开始认可深度学习在医学图像的应用。直到目前这都是美国市场唯一获准上市销售的三维乳房X光癌症检测软件。这个软件目前是美国iCAD公司的旗舰产品，前期应用已被GE Healthcare独家买断销售，整个产品线预计可为公司带来上千万美元的年销售额。
这十几年的基于人工智能的医学图像算法研究和将算法转化为产品的过程，让我深刻体会了如何使用这些技术运用于商业并取得巨大成功。所以今天我很高兴和大家一起回顾和展望一下人工智能和深度学习技术，及其在医学图像领域的应用。
什么是人工智能？ 人工智能的概念起源于上世纪4、50年代，其目的是让机器具有人一样的智慧。我们现在所说的人工智能更多的是指机器学习这个领域。
而经典的机器学习过程是把输入的训练信息如图像和语音手工提取特征，比方说判断一幅图上是汽车还是自行车时，我们可以找有多少个轮子样的圆形作为特征，然后根据训练目标值，即这些圆形数量对应的是汽车还是自行车的图训练分类器。这样分类器就获取了信息，如圆形多的更可能是汽车，少的可能是自行车。当输入测试信息即一张新的图像时，我们手工提取相同的特征，即告诉分类器在图上找到多少圆形，这样训练好的的分类器就可以预测目标值，即这张图更可能是汽车还是自行车。
当然，对于处理更复杂的问题，能不能找到足够多且准确的图像特征是解决问题的关键。
目前谈论最多的深度学习技术其实是基于人工神经网这个分类器。
人工神经网可以认为是用一组非线性函数组成的分类器。其最初构造是模拟人脑的机制，输入的特征数值经过不同网络系数进行加权，经输入层、隐藏层传导到输出层得到预测。这里我们把神经网的每一层用一个矩形代替。
人工神经网络技术在上世纪90年代得到广泛研究。但由于局限于当时的技术和硬件环境，训练大型的人工神经网很困难，也使得这个分类器并没有表现出比其他技术更有明显优势，所以后来研究又沉寂了很多年。
直到2012年一个叫Alex的人把神经网络成功用在了ImageNet大赛上，并由此开创了深度学习这个领域。ImageNet是由李飞飞教授组织的一个图像识别大赛，大赛的内容是通过训练超过1百万张人工标识好的图像，让机器学习自动识别1000种不同的物体。
识别一幅图是船，是车还是狗对人好像并不是很难，但在2012年前，传统机器学习的方法并不能提供一个很好的问题解决方案。直到Alex用GPU训练了一个有7个隐藏层的神经网，大大降低了机器的错误率，这个网络就叫做Alexnet，是第一个成功的深度卷积神经网。
由于使用深层结构和大量的网络参数，基于大量训练数据进行网络参数优化，这个网络可以直接从图像中自动寻找特征，不但节省了人工寻找特征的过程，而且网络找到的特征也更多，更准确。
之后，基于这个网络人们不断改进技术，训练更深更复杂的网络，机器错误率逐年下降，在2015机器的错误率就已经优于人类了。现在参加这个竞赛的神经网基本用100个隐藏层以上。我本人也是早在2012年通过这个大赛开始了解和探索用深度学习技术来识别医学图像中是不是有病灶。
除了图像类别识别，经过近几年的发展，深度学习技术还可以成功解决其它的问题。
比如可以用一个U型的神经网来做图像的分割。用递归神经网结构对输入文字编码，然后解码把输入语言翻译成另一种语言。用一个网络来生成图像，另一个网络来评价这个图像，通过两个网络的竞争过程得到逼真的由机器生成的图像，这就是著名的对抗网络。我们所知的击败柯洁的AlphaGo，用的是强化学习加深度学习的方法。用深度学习从当前的棋局，预测出取得胜利的下一步棋最优的走法。并用强化学习从无休止的尝试中学习积累这些经验信息最终超越了人类。
深度学习技术对医学图像研究有什么贡献呢？可以预见，随着人工智能技术的发展，我们会对医学图像问题有更准确的预测分类结果，随着训练数据越来越多，基于传统机器学习的应用将被基于深度学习的应用所取代。同时更多的医学场景将被发现和抽象，并被深度学习技术描述和解决。同时另一方面深度学习也会不断发展成熟，从而创造出更多的应用。
Leo Yin博士引用吴恩达的一张图来说明目前和未来深度学习技术与医学图像产品之间的关系。目前，在2018年绝大多数成功的深度学习商业软件需要大量标注的图像进行监督学习。但由于医学图像的特殊性，有时我们无法取得足够多的训练图像和标注信息。Leo Yin博士之前设计研发的乳腺癌检测软件是将一类数据的信息通过转移学习的办法应用到新领域，从而解决新领域数据不足的问题。以后这种应用会越来越多。
在将来深度学习也许可以利用无监督学习来减少对数据标注的依赖，当强化学习可以运用到医学研究领域时，机器就可以像在围棋上取得的成功那样不依赖人的指导创造出更优的医学诊断与治疗方案。
总之，在医学图像领域还有很大空间和前景等待更多的人从事人工智能和深度学习技术去探索和解决实际的问题，以造福人类。
