ISICDM大會發起人李純明教授：重新審視醫工交叉與醫療AI研究

近兩年的AI醫工交叉方法論，工，以數據驅動為根本，忽略領域知識的作用；醫，則扮演數據標註工人的角色，醫生的醫學領域知識難以發揮作用。但由於醫學的獨特性，我們需要重新審視兩者的角色和關係，醫生應該參與到演算法開發的過程中，醫生的醫學知識和臨床經驗應該融入到演算法設計中。

——李純明

李純明是個「粗線條」的人，每次在自己發起並一手籌辦的圖像計算與數字醫學國際研討會（ISICDM）上，或是因為太忙，開幕式發言他幾乎不做準備，頗為隨性，時而前言不搭後語，他自己以及台下的觀眾從不覺得這有什麼不當。

如參會者所說，這才是真實的李純明。

李純明也是個完美主義者，每當參加完ISICDM大會之後，不由感慨他對大會內容質量的把控之嚴格，主題設置之細緻。

這也是真實的李純明。

原本10分鐘的採訪，由於他的各種「發散」，最終進行了2個多小時，直至凌晨1點。採訪過程中，他多次強調一個問題：一個學術會議，無論是組織方邀請嘉賓，還是觀眾聽報告，不要單純沖著講者的知名度和職位，而應該關注會議的學術內容。對於ISICDM這樣一個理工醫大融合的會議，更要加強跨學科的交流，以促進不同專業人士的學術交流與合作，激發產學研醫協同創新與技術落地。

「我組織會議過程中，會針對會議的主題跟一些嘉賓預先交流一下他們報告題目和內容的安排，對嘉賓我會建議他儘可能把一個工作的 『 是什麼，怎麼做，為什麼 』解釋清楚，讓聽眾知其然還要知其所以然，就是一個好報告。而不是像記流水賬似的把自己和團隊的做過的研究項目一一彙報。」

電子科技大學李純明教授

ISICDM大會發起人兼大會程序主席李純明長期專註於圖像分割和三維重建及相關問題的研究，其在圖像分割和水平集方法的研究中作出了有國際影響力的重要貢獻。

自2005年以來，李純明教授以第一作者的身份發表了一系列關於圖像分割與水平集方法的原創性研究論文，在國際學術界產生較大的影響，被世界各國學者頻繁引用，其中一篇水平集方法的論文(2005年發表在CVPR)單篇他引次數超過2500次。

李純明2008年發表在IEEE TIP（圖像處理領域的頂級期刊）的論文，在經過五年的時間考驗之後，於2013年榮獲IEEE信號處理學會最佳論文獎（註：該獎每年從過去五年的IEEE信號與圖像相關的多個著名期刊中，經權威專家評選出不超過六篇最佳論文，李純明教授的這篇論文是2013年獲得最佳論文獎的唯一一篇圖像處理方面的文章）。時隔兩年之後，李純明因為2010年發表的另一篇IEEE TIP論文的重要貢獻而獲得了2015年IEEE信號處理學會最佳論文獎。值得一提的是，李純明是國際上唯一一位以第一作者身份兩次獲得這個重要的國際學術獎項的學者。這兩篇論文都已成為水平集方法和圖像分割領域的經典文獻，國內外很多學者在這兩個工作的基礎上做了深入的研究和應用。在發表10年之內，這兩篇獲獎論文的單篇他引次數都超過了1500多次。

此外，李純明以第一作者身份還發表了一系列同時分割與校正磁共振圖像灰度不均勻性的演算法論文，在國際上率先開展了對超高場強（如7T）磁共振成像的圖像分割與灰度不均勻性校正的研究，巧妙地把磁共振圖像的成像模型結合在圖像分割與灰度不均勻性校正演算法中，有效地解決了超高場強磁共振圖像灰度不均勻性校正的難題。其中發表於2011年的一篇IEEE TIP論文，在發表之後不到八年，單篇引用率已經超過980次。

一直很低調的李純明教授，每次談到現在火熱的AI研究時，他便打趣到，很多人把他當做人工智慧的學者，但實際上他並不會把自己定位為AI學者。

「現在人工智慧的概念被濫用了，我們做的圖像處理與分析演算法，因為能實現某些自動化的功能，很容易被外行當作成人工智慧。因此，我也算是廣義的人工智慧專家了。」

李純明談到，他現在並沒有專門研究當前熱門的深度學習，而是更喜歡應用變分法、偏微分方程和矩陣計算等數學理論和方法解決圖像處理和計算機視覺問題。

其實早在上一波神經網路火熱的年代，當時的李純明便已專門研究過神經網路的基礎理論問題。

「我的本科和碩士都是基礎數學專業，後來轉到應用數學領域研究的第一個課題：研究神經網路中的函數逼近問題，比如激活函數滿足什麼充分必要條件才能保證對應的神經網路在某個函數空間中可以無限逼近其中任一給定的函數，還研究了用神經網路逼近抽象無窮維空間（如希爾伯特空間）上的非線性泛函或運算元。當時我覺得那樣的研究有點理論脫離實際，加上後來因為我出國讀電子工程博士而中斷了神經網路的數學基礎研究，後來選擇了更感興趣的基於變分法和偏微分方程的圖像處理作為我的博士論文課題。」

而談到最新一代神經網路大背景下的AI話題時，李純明指出「深度學習是基於神經網路的萬有逼近能力。應用泛函分析、測度論和傅里葉分析的理論可以證明，只要激活函數不是一個多項式，神經網路就可以任意精度逼近任何一個連續的輸入輸出系統（即數學上的連續映射）。」

「深度學習有一個吸引人的地方：原則上，它在不同的應用中都可以用同樣的訓練演算法框架，只需要替換訓練數據和相應的標註進行訓練，就能訓練出一個具有某種輸入輸出關係的多層神經網路。然後在應用的時候，輸入一個數據，系統就輸出一個結果，應用的過程可以做到全自動。但這種看起來一勞永逸的框架，在實際應用中還有一些局限性。」

李純明解釋道，這是因為醫學圖像數據是複雜多變的，不同廠家的成像設備，不同的成像參數選擇，和成像設備的更新換代等因素都會導致圖像性質（如信噪比、解析度和偽影等等）的變化，以及不同病人與病情的差異也會導致圖像特徵的變化。

訓練數據如果不夠「大而全」，一旦遇到一個跟訓練數據有一定差異的數據，有時只是加了一點噪音，神經網路輸出的結果可能就會出很大的錯誤。但訓練數據要多「大」多「全」？也沒有一個客觀的量化標準。

深度學習需要用醫生手工標註的數據，還要求訓練數據和手工標註符合一定的標準。但數據的標準化也沒有一個通用的法則可以遵循。深度學習的調參也沒有規律可循，調參的難題至今沒得到實質性的解決。這些都可能會給深度學習的應用帶來不確定性，在不同數據集上的性能可能會很不一樣，魯棒性較差。

在醫療領域的應用上，深度學習的不可解釋性也是個很大的問題，醫生和病人都很難接受這種不可解釋的診斷結果和治療方案。李純明認為，深度學習在醫療領域離真正的落地還有相當大的距離，還需在理論和技術上有所突破。學術界研究深度學習不應太工程化，應該多研究一些基礎性的理論問題，提出更有原創性的演算法。

談到近年來的深度學習熱，李純明認為學術界不應該一窩蜂的跟風做深度學習。

學術研究還是應該多元化，要做到百花齊放，百花爭鳴，這樣才更能有創新，也有更大的機會產生有實用價值的技術。數據驅動的深度學習只是數據處理的工具之一，而且有它的局限性。

在有些應用上，傳統的方法也能解決問題，而且可能解決得更好，應用起來更簡單，為什麼不用它呢？李純明經常說「做研究應該以解決問題為目的，也就是做問題驅動的研究，而不是方法驅動或熱點驅動。」然而，最近幾年學術界跟風的趨勢還是很明顯的，現在CVPR等計算機視覺的頂級會議的投稿量大增，也是因為跟風做深度學習的學生太多了，加上門檻低，還有開源的代碼可以用，所以CVPR等頂會的論文大多都是深度學習的。

確實，近三年眾多CVPR審稿人紛紛向雷鋒網表示，他們看到了CVPR、ICCV、ECCV等頂會上的諸多論文，有很多不同的網路設計想法和切入角度，這些紮實的工作推動了現有體系、架構的一步前進，但是，卻普遍缺乏實質性的進展，深度學習的幾個主要局限性仍然還沒被突破。

醫學，最重要的問題之一便是可解釋性。而當前工科會議的論文，基於不可解釋的深度學習研究成果幾乎成為主流。

上述問題的本質是，由於科研人員做的研究總體偏工程，較為缺乏原創性和突破性的基礎研究，導致工程技術開發正在進入瓶頸期。

「我認為，從眼前來講，不應該一窩蜂都用數據驅動的深度學習。一些醫學圖像演算法的開發也應該針對不同的應用，去設計不同的演算法，開發者儘可能在演算法中融入領域知識，設計出針對特定應用的個性化的方法，而不是對每個病種都在TensorFlow或Pytorch等開源框架上用不同的數據進行訓練和調參。而在深度學習這種數據驅動的學習過程中沒有利用領域知識的機制， 因此技術的開發也就不需要開發者與醫生的交流。醫生在技術開發的過程中只起到了對訓練數據手工標註的作用，也就是說醫生被當作人工智慧背後的『標註工人』來用了。」

「數據驅動的深度學習不可能包治百病，並且其不可解釋性在醫學應用上很難讓醫生和患者放心使用。從長期來講，數據為王的醫學影像AI研究方法，在未來遇到的問題將會越來越多。而創造出可解釋的、更加精準的、不過度依賴數據的方法，應該是醫工交叉中，工的目標。」

今年ISICDM大會上，MICCAI學會創始主席James Duncan、原TPAMI副主編Baba Vemuri、羅切斯特教授羅傑波等人均提到了研究「Fundamental problem」的重要性，並指出當前多數學者更多停留在簡單的工程問題，缺乏在基礎研究上的突破性進展，企業界的技術開發也因此遭遇瓶頸。

與此同時，現在的深度學習其實是一個有問題的框架，多用大數據和很多標註數據來訓練，這在過去幾年很成功，但不代表是正確的方向。當前計算機視覺的系統是一個（特徵為）Training System的訓練，而不是一個Learning System，現階段需要從Training System變成Learning System，讓機器主動，並結合數據的結構、時間空間結構去學習，而不是被動地用人工訓練來標註它。

目前行業走的是粗放型發展路線，是靠堆積數據和計算資源來換取高性能，這是資源而不是效率的競賽。在大家把醫學影像分析聚焦於Data Set的大環境下，雖然在工業界已有一定的成果，但李純明堅信，原創性技術和基礎研究，更值得工科人去關注和投入。

而兩屆ISICDM大會的議程設計也是逆潮流而上，設置了數學以及基礎理論的分論壇和系統性的系列講座，意在讓更多工科學者打好理論基礎，並站在新的視角，以更高的觀點去看待和解決問題。

此外，李純明也談到，舉辦大會邀請嘉賓，他更希望講者分享的理論研究方法，不但走在最前沿，同時也經歷過時間的驗證。

秉承這一理念的李純明，已經把ISICDM打造為具有理工醫跨學科特色的醫學影像大會。

醫學AI是門交叉學科，技術與產品的創新，離不開醫生的引導。

李純明通過舉辦兩屆ISICDM大會，意識到了自己過去的認知錯誤。

「過去很多人覺得醫生比較保守，不願意接受人工智慧，這是一種誤解。近兩年醫生非常想和理工科的專家合作，只是沒有找到合適的點。」

李純明回憶道，今年在幾次大會中聽廣東省人民醫院梁長虹主任、北京大學第一醫院王霄英主任等知名醫生的報告時，才發現原來很多醫生有自己的智能工程研發團隊，而且醫生對AI的認知也越來越成熟。

因此，在第二屆ISICDM大會上，為了讓醫生與工科人更全面地交流探討，李純明也特地安排了「醫工交叉科普講座」、「醫生談臨床需求與挑戰」、「醫工交流會」、「醫學影像數據分析軟體培訓」等分論壇。全場600多名參會人員，其中來自全國各地的醫院主任醫師超過百位，即便是重量級醫生專家，也是全程聽完三天的大會報告和圓桌探討。

「王霄英主任在今年ISICDM大會上談到一個觀點讓我印象非常深刻，她認為，很多醫學影像軟體，沒必要都用人工智慧，有時候我們醫生只是需要圖像處理能夠自動化，就會對我們醫生很有幫助。她說傳統的圖像處理工具對醫生還是很有用，但目前在臨床上還沒被充分利用。這句話讓我知道，我們要做的第一步並不是把技術打磨的多智能，而是把醫生需求摸索清楚。」

李純明認為，工科人員做醫學圖像研究，也應從臨床的角度考慮問題，研究的目的應該是解決臨床問題，或者為臨床應用提供理論指導，不能只是和醫生合作搞科研發論文，而不解決問題。在ISICDM大會上，多位報告專家也完全附議李純明的觀點。

訊飛醫療CEO陶曉東從工科角度出發，談到了這個問題，他認為醫療行業，技術不僅要為影像科、病理科服務，還要為臨床服務。服務於臨床是最高目標。

在這個過程中，醫生的指導非常重要，需要用正確的工具解決正確的問題，即先準確地定義問題，然後尋找合適的解決手段。

「一個問題如果能用九十年代的技術解決，就不要想著用2000年的技術；如果能通過人和機器一起解決，就不要想著做全自動的方案。總之，不要總想著用最新的技術，關鍵是要能解決實際問題。回歸到醫療行業，我們的首要目的是要解決臨床問題。」陶曉東談到。陶曉東的說法就是李純明一直堅持的做問題驅動的研究的觀點。

同樣，第一屆ISICDM大會主席田捷曾在接受雷鋒網採訪時說到，醫生能不能接受某項智能技術，關鍵看臨床效果，看能不能針對臨床解決問題。

田捷談到，雖然他是工科人，但近幾年卻沒有發表過計算機方面的文章，而是發醫學文章。此外，他也幾乎沒有參加計算機視覺會議，反而經常出席美國臨床腫瘤學會、美國腫瘤學會等這類會議。

他強調到，技術人員要穿上醫生的馬甲，到醫學的會議上交流。

「過去工科人經常在計算機視覺會議上談自己在醫學圖像分析上的方法和參數有多好，我覺得意義不大。你要到臨床醫生那裡，讓他們『折磨你』，找出醫生能接受的臨床效果和臨床意義，這時候你的模型才真正起作用。」

「現在我能在醫學雜誌上發表文章，由於審稿人都是醫生，這說明我的研究具有一定的臨床意義，同時也證明我已經穿上了醫生的馬甲。」

這也是田捷、李純明等眾多ISICDM專家重新審視完「醫」後的新認知：技術人員需逐漸改變工科思維，站在醫生的角度去思考問題，多跟醫生交流，學習醫生的專業知識，並把知識融入演算法中，同時讓他們來當裁判，用醫生的標準給你的成果做評價。雷鋒網

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！