机器学习生物医学图像处理方向研究前景如何？

重磅干货，第一时间送达

1.信息不完备导致的ai模型先天缺陷。现代医学的诊断基于多种多样的信息，包括不限于 病史， 基因，图像（超声，x光， ct， mri，pet），病理等等。具体到特定领域， 比如fundus image领域的眼底图片诊断青光眼或者糖尿病视网膜病变可能单病种诊断效果很好， 但是最医生来说， 这个远远不够，今天去参加一个医学的研讨会， 一个眼科专家说眼科有两千多种疾病，来了一个病人， 他们要做很多检查，才能确定是哪一个病种，而现阶段data driven的ai 只能做一种或者几种疾病的binary classification（注意， 每个疾病也是有不同阶段的，有的疾病如青光眼，到底有多少阶段还是一个比较open的问题）。基于此种情形，如果一个ai能够classify之外的疾病出现，ai目前无法预测出这个它没有学过的疾病，而只是给一个答案：它觉得它知道的最有可能的疾病。这样就限制了它的应用场景， 就是说没法诊断，而只能做基于可能疾病的筛查， 比如青光眼筛查。

2.追求完备信息需要大量前期协作。完备信息这里指的是医生诊断一个疾病需要了解的信息， 以青光眼为例，显微镜，OCT scann， 都会产生图像， 还有眼压测量，家族病史， 而传统的医院里这些同一个病人的不一定有完备信息，而且完备信息的诊断结果也不一定能马上用， 因为病人当初可能没签同意第三方使用他的数据的协议。如果要从头收集数据， 那么需要等漫长的时间， 足以耗死一个startup。协作的难度很多情况下来自于利益驱动的不一致， 作为医生，更多的关注research，title， paper，作为我们engineer，想马上有数据，赶紧训练起模型来。公立医院医生跟我们合作做这些没有任何商业的benefit， 也是缺乏动力去抓紧时间做这个事情。国内很多明星初创也是在这个领域跟医院做research level的合作， 先从点做起， 慢慢积累 （有钱可以慢慢搞度过这个资本寒冬）。

3.医生水平的参差不齐 基于医生label的数据还得需要多医生交叉验证。医学疾病的复杂性决定了， 一个厉害的医生40年也不一定见过太多的病例，基于有限经验得出来的结论有时候是错的，就跟机器学习小样本学出来的结果不robust一样， 而多医生验证又迟缓了一个项目的推进，之前看过一个医疗ai领域的投资人讲， 这个领域是一个慢行业， 的确如此， 得有耐心跟眼光才能去做好一个方向。

4.医学信息的高维特征 即使收集了很多完备信息， 站在更高的维度看依然不完备，人的疾病是一个动态发展的过程， 有时间序列的特点，而我们的图片或者其他的医学信息本质上是时间序列上的一个点的信息， 基于不同人的一个点的信息去做预测， 还是有可能会出现误判， 因为个体的差异性。

5.医学信息的heterogenity. 不同仪器，不同参数导致的图像质量的不一致也是导致实际测试一个算法不robust的原因。此外，一个疾病， 比如乳腺癌，有很多亚种， 每个亚种的形态学在ct，mri等图片中 有的很相似，用肉眼可能很难去判断，再加上不同亚种的发病频率不一样，导致的数据的不uniform，也是一个很大的问题

如果你看到这里，还是想搞医学图像处理，那说明你真的感兴趣，下面讲一下目前比较有前景的方向。

1.放疗领域的靶区勾画 放疗前一半要先勾画好周围器官跟肿瘤的边界， 这样可以实现更精准的杀伤tumor，之前都是专门的医生花很长时间去做这个勾画， 现在很多都可以用ai做了， 是一个可以落地的领域， 商汤跟医诺的合作可以参考下。

2.病理图片的自动化分析 病理诊断是金标准，但是通常图片像素很高，比如10wx10w，ai在这里可以有效防止漏诊， 加速诊断 （again， some caveats: 病理诊断也是分不同class的，目前ai能做的还是比较容易的比如良性vs 恶性，或者简单的分期， pathologist 可能更感兴趣在一些比较subtle的case下需要ai来帮忙，然而这种subtle的case 连医生都不确定，如果获得label）

3.很多疾病的早期筛查 如肺结节的早期筛查。(很多体检中心已经用ai了， 不知道是不是黑心ai)

4.其他信息的跟踪预警  （非医学图像）比如癫痫。这里我也是刚开始探索，还没有太多跟大家分享的

总之，目前这个领域刚开始，虽然是风口，但是需要慢慢积累才能真正落地，如果仔细寻找，还是有很多细分市场的，国内跟国外的情况也不太一样。这里的积累除了数据算法的积累，还有更大意义上的医生对ai的认知的积累然后有意愿去快速推动一些项目， 还有regulation， ethic方面也需要成熟。

这个领域目前落地难，我们也是在不断地探索各种可能的合作， 目前a轮融资中， 很快close，有愿意来瑞士的资本欢迎联系，来瑞士一块吃奶酪，滑雪哈。

说一下瑞士的优势， 瑞士的医学很发达，医保报销也很全面，比如睡眠方面的疾病都可以报销， 大量的高质量数据，还没有人来挖掘，我们现在很有耐心去慢慢冲破层层壁垒，不断与医生互动学习， 积累数据，好好做产品研发， 欢迎各位多多交流

但是，这个方向的国内企业低技术化发展趋势必须要充分警惕，其主要问题在于，大多数国内企业，主要都是进行肺结节和乳腺癌的图像识别辅助开发工作，而且都挤在这同一个领域，固然有这个领域比较容易被认可，技术比较成熟有关，也与现有的识别方式有莫大的关系：人工标注->机器辅助识别->人工判断。

实际上，医学影像AI的发展，如果沿着这条路走下去，必定是一条死胡同，虽然能够解决一些问题，但是医学影像的问题是无穷无尽的，靠人工标注，在概率上解决一些问题，但是必然会遗漏另一些问题，同时影像学林林总总的疾病和应用，何时是个尽头？

也就是，AI需要学会的，绝不仅仅是按照被标注的图像特征，照葫芦画瓢进行识别，而是需要理解病理（已经明确的部分）与图像特征的必然联系，这相当于是高于现有技术一个维度的数据处理技术，其实现并不容易，但是必须要走出这一步，才有可能将AI医疗应用推向深入。

这个维度的提升，带来的数据量需求和计算量需求都是几何级数地增长，国内目前在这一块的投入和进展都是比较欠缺的，希望题主能够有机会在这方面进行深入的学习和研究！

更高一个维度的，医学的认知，其实很多是来自于医生的经验总结，很多病理，甚至很多认为已经清楚的病理，其实是医生经验总结碰巧遇到了比较多的印证病例，这也是现代医学极大依赖循证研究方法的原因，而循证研究对于人的依赖，注定了其受人的偏见影响极大，虽然尽可能地用统计学来降低这些偏见所带来的偏移，在临床试验中有良好的效果，但是临床试验本身就受到样本量和医学证据的限制。而医学影像是不多的极为客观和稳定的医学证据，问题主要在于人对于其认知产生的偏差，如果AI能够综合多个医生的经验“直觉”，最大限度地摒弃偏见造成的结果偏移，在AI可能能够反过来促进病理分析，从而推动医学影像学的极大发展。

2. 如果要进一步做好医学图像处理，可能需要data mining的帮助。

3. 医学图像的处理，请一定要谨慎谨慎再谨慎。

4. 最后，如果你对改善人类健康感兴趣，欢迎你投入这个领域。我永远记得我导师提到他提高了prostate cancer治愈率1%的时候，那种自豪。

1.目前医学图像处理也都开始像深度学习这个方法靠拢，越来越多使用深度学习方法进行图像分割等。

2.国内知名的阿里医疗/腾讯优图都有专门做AI医疗。

3.未来智能问诊/互联网医疗中，很大一部分会是医学图像的AI解读。

4.生物医学图像处理还有一个很大的潜在爆发需求，就是各种生物学实验的成像分析。比如荧光蛋白成像等分割分类等。

    


下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群



    

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~