記者昨日從阿里達(dá)摩院獲悉，達(dá)摩院醫(yī)療AI團(tuán)隊(duì)的論文被計(jì)算機(jī)視覺(jué)國(guó)際頂會(huì)CVPR 2023評(píng)為Highlight（亮點(diǎn)），從近萬(wàn)篇論文中脫穎而出。這篇論文聚焦于視覺(jué)領(lǐng)域著名的OOD難題，提出了全新的醫(yī)學(xué)圖像語(yǔ)義分割框架，能夠讓AI更準(zhǔn)確地識(shí)別腫瘤中的疑難罕見(jiàn)案例，目前已在胰腺腫瘤和肝臟腫瘤上獲得驗(yàn)證。
CVPR是計(jì)算機(jī)視覺(jué)領(lǐng)域最具有影響力的國(guó)際頂會(huì)，今年共收到9155篇論文投稿，其中只有235篇論文被評(píng)為Highlight，占比僅為2.5%。達(dá)摩院論文《Devil is in the Queries: Advancing Mask Transformers for Real-world Medical Image Segmentation and Out-of-Distribution Localization》重點(diǎn)關(guān)注圖像分割，這是計(jì)算機(jī)視覺(jué)領(lǐng)域的基礎(chǔ)任務(wù)，也是醫(yī)學(xué)影像的根基之一。現(xiàn)在AI已經(jīng)能夠識(shí)別癌癥，個(gè)別甚至達(dá)到了專家水平，其基礎(chǔ)原理就是圖像分割，AI從CT等醫(yī)學(xué)影像中分割出疑似病灶，結(jié)合已有數(shù)據(jù)來(lái)判斷是否存在病變。但現(xiàn)有的圖像分割方法多數(shù)基于監(jiān)督學(xué)習(xí)，存在先天缺陷，嚴(yán)重依賴于數(shù)據(jù)的收集和標(biāo)注，一旦遇到完全沒(méi)見(jiàn)過(guò)的長(zhǎng)尾問(wèn)題，AI的識(shí)別準(zhǔn)確度就大幅下降。
這就是著名的OOD難題（Out-of-Distribution，分布外泛化問(wèn)題），在真實(shí)世界里層出不窮，比如自動(dòng)駕駛領(lǐng)域里的corner case，醫(yī)學(xué)影像領(lǐng)域則表現(xiàn)為各種各樣的疑難雜癥、罕見(jiàn)病，都容易讓AI犯錯(cuò)。對(duì)于醫(yī)療AI來(lái)說(shuō)，如果想真正取得人類信任，實(shí)現(xiàn)臨床上的應(yīng)用，必須能夠處理這些棘手的問(wèn)題，否則將給病人帶來(lái)風(fēng)險(xiǎn)，比如漏檢了某些轉(zhuǎn)移癌癥，或?qū)⒑币?jiàn)惡性腫瘤錯(cuò)認(rèn)為良性。
達(dá)摩院醫(yī)療AI團(tuán)隊(duì)這次提出了一個(gè)全新的醫(yī)學(xué)圖像語(yǔ)義分割框架MaxQuery，不僅能夠準(zhǔn)確分割和識(shí)別常見(jiàn)腫瘤等分布內(nèi)目標(biāo)（in-distribution），還能夠利用Mask Transformers的聚類特性來(lái)定位罕見(jiàn)腫瘤等OOD目標(biāo)。具體來(lái)說(shuō)，由于框架自帶的聚類機(jī)制，分布內(nèi)目標(biāo)會(huì)在特征空間被映射到距離聚類中心近的點(diǎn)，而OOD目標(biāo)則相反。此外，團(tuán)隊(duì)還提出Query Distribution Loss（QD損失函數(shù))，加強(qiáng)了聚類分配的多樣性，既能提升分布內(nèi)目標(biāo)分割的精度，又能提高OOD腫瘤的分割和識(shí)別的準(zhǔn)確性。
達(dá)摩院提出的新框架
為了驗(yàn)證新方法的準(zhǔn)確性，研究團(tuán)隊(duì)構(gòu)建了胰腺腫瘤全病種和肝臟腫瘤全病種兩個(gè)醫(yī)療影像的數(shù)據(jù)集，包括1088名患者的連續(xù)對(duì)比的增強(qiáng)CT影像。實(shí)驗(yàn)證明，新方法顯著提了OOD定位能力，與業(yè)界標(biāo)桿SML相比，在最重要的AUPR指標(biāo)上平均提升14.69%； 在常見(jiàn)腫瘤分割性能上，新方法較業(yè)界標(biāo)桿nnUNet提升了5.27%。也就說(shuō)，達(dá)摩院的新方法能夠更準(zhǔn)確地識(shí)別胰腺和肝臟中的常見(jiàn)腫瘤和罕見(jiàn)腫瘤。
實(shí)驗(yàn)結(jié)果顯著優(yōu)于已有方法
“OOD是臨床上的常見(jiàn)難題，一直缺乏好的解決方法。這篇論文不僅提出了一個(gè)通用又簡(jiǎn)單的全新計(jì)算框架，而且在定量結(jié)果上有顯著提升，為臨床應(yīng)用打下堅(jiān)實(shí)基礎(chǔ)，有望真正幫助到醫(yī)生和病人?！边_(dá)摩院醫(yī)療AI團(tuán)隊(duì)負(fù)責(zé)人、IEEE Fellow 呂樂(lè)表示。據(jù)了解，達(dá)摩院醫(yī)療AI團(tuán)隊(duì)正在研發(fā)精準(zhǔn)癌癥診療AI影像系統(tǒng)，包括規(guī)模篩查、精準(zhǔn)診斷、預(yù)后治療、響應(yīng)評(píng)估等全流程的癌癥診療技術(shù)，覆蓋多個(gè)重要病種。該團(tuán)隊(duì)長(zhǎng)期致力于醫(yī)學(xué)影像等方向研究，曾在疫情初期研發(fā)出CT影像新冠肺炎AI輔助診斷系統(tǒng)，被科技部評(píng)為全國(guó)科技抗疫先進(jìn)集體。
論文鏈接：https://doi.org/10.48550/arXiv.2304.00212
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。 ）
