请问机器学习生物医学图像处理方向研究前景如何？

会里很 · 发表于 2024-9-20 06:44

登陆有奖并可浏览互动！

您需要登录才可以下载或查看，没有账号？立即注册

×

本科生，微电子在读。一个实验室是这个研究方向的。以后打算去美国读cs 可能master可能phd。如果想往AI 机器学习方向发展，在这个生医工机器学习交叉领域的研究成果会有帮助吗？
原文地址：https://www.zhihu.com/question/268733733

检验医师 · 发表于 2024-9-20 06:45

正好前两天听了一个生物医学图像的会，其中Eric Topel教授就讲到了这。这是他刚出的文献，刚刚出，还是热乎的。
High-performance medicine: the convergence of human and artificial intelligence强烈推荐！他本人的解释非常好，可惜因为有过不好的经验所以不分享ppt。
直接把我的会议笔记的一部分和问题相关的重点翻成中文吧。先凭记忆力直接写，晚些时候再翻我的笔记重新修改一下。
1.现代医学的挑战之一就是成上升趋势的医疗费用，越来越多的化验，越来越多没有证据证明有效的的治疗方案。
2. 2016年是机器学习在医学领域上的分水岭，因为这是第一个证明了AI在医学图像识别上能做的比人类更好。因为开始了AI技术在部分领域取代人类医生的可能性。在这之后两年又出现了许多相关的研究文献。
具体指的转折点研究是哪个我不太确定，但是记得老教授提到了视网膜屏幕分析准确率，如果让医生猜从视网膜图像上病人的性别的话医生完全猜不出来准确性只有50%，但是让AI猜的话准确率就能达到97%。
而现在人工评判医学图像的准确率低的惊人，好像说是放射科的误诊率有25% （sensitivity & Specificity around 25%)，因此许多医生在造成了严重后果之后被病人起诉。
如果能运用AI技术来帮助医生提升准确率，不是很好吗？我们来用吧。
3. 机器学习技术需要非常大量的数据，而现在的数据采集系统还达不到标准，因此大部分只是理论上的研究，也有一些算法正在等FDA的审核但是似乎不太乐观。FDA的人对AI技术还抱怀疑态度。
本人也觉得现在能用到的数据太不靠谱了，ICU的数据还好，能实时收集，实时反馈，其它部门的数据还有好多需要人工填写输入每个国家的标准又不一样，之前我还在和美国的一个教授讨论为什么美国和新西兰的ICU数据评估算法差不多，都是Apache 3或者衍生的算法，但是ICU的停留时间却有很大的不同。似乎是新西兰的数据收集精确度不够高，还往上四舍五入？不确定得去问人了。
我个人对AI也是持部分怀疑态度，不知道为什么得出了结论，但是结论表明这样做能提高准确率，我们能信么？
4.现在最大的推进动力来自于希望运用机器学习技术盈利的私人科技企业。
老教授还举例说现在已经有可以随时测量Potassium水平的智能手表，好像是针对心血管疾病的。难道说Potassium异常值可以预测短期发生心脏病的可能性？我也不太懂生物医学。
5. AI 还不够人性化，数据需要人性化，而且需要以人为本。现在的数据结论的目标都是在人群的水平上，但是如果这样做那么我们就必须假设所有人都是平均水平，不管体重，种族，性别，治疗方案都一模一样，一样的计量。所以我们需要进行数据单人化（individualized data)（针对个人）还有数据人性化（humanised data) （增加社会，种族，文化变量）。

最后老教授本人也说现在一切也都在理论试验阶段，离真正开放运用技术还有一段时间。

所以说这个领域的前景看过去还是挺不错的。

1有运用的需求，机器学习技术可以提升医生诊断的准确率，或者在夜间或者人不够的时候暂时替代医生。
2 有私企正在寻找相关领域的专家，有工作需求。
3 属于新兴领域，而且最近两年刚刚有了突破，可以想像以后出成果的可能性非常大。
4这个领域还非常不完善，还有许多问题必须解决否则很难实际运用，现在好像已经有许多据说是运用机器学习算法的检验了，但是准确率估计非常感人，我个人是不敢相信的。如果你真喜欢机器学习，想搞出很多成果的话你应该乐了，有好多活要干啊。

长长的路 · 发表于 2024-9-20 06:46

本人在创业入坑半年，有很多切身的感受，算是总结下这个领域的现状。

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。
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）。
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。
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。
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。

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。
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）
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)
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。

另外，除了医学图像分析，还有很多值得做的创业项目，影像上云，远程医疗等都是在探索，国内兴起了建第三方医学中心，走重资产模式。

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

啰嗦了这么多，再加一句，想创业的朋友可以先来epfl或者eth读个书，然后再学校的支持下孵化项目，找中国或者瑞士资本，进军欧洲或者国内市场，不过目前国内很多资本出海难了。。。
2019.07.23更新下，坑大团队也出了问题离职了修养几个月再等我卷土重来，瑞士很美，欢迎来玩来聊天
--------------------- 2020. 05. 02 ------------------------------------------------------
最近视见科技融资成功，他们搞了很多成功的应用，比如病理切片的诊断，这个领域只要抓住一个能落地的点不断深耕，还是有戏的，祝贺他们。
关于谷歌的医疗ai的一个很有趣的信息 Google’s medical AI was super accurate in a lab. Real life was a different story. 有兴趣的多读读，这个落地的链条还是有太多需要考虑的东西了。
Google’s medical AI was super accurate in a lab. Real life was a different story.——————— 2023.04 ——————————
看着大家对我的帖子感兴趣我就多更新一下
回国三个多月了兜兜转转来到了口腔数字化行业口腔可能大家都很有感受满大街的广告全是口腔种植正畸
这个领域也是竞争激烈但是充满想象空间，靠着前几年在全球顶尖团队积累的技术跟能力，回国卷了一把，这三个多月的心情像是做了过山车一样
回归正题口腔行业也有很多机器学习 ai的项目
比如https://zenodo.org/record/7812323#.ZDUR6HtBybj
特别适合还在学校的朋友练练手这样的口腔的图片三维模型类的task越来越多
想入坑的朋友可以私我
口腔行业的特点是
1 . 数据比较齐全质量相对较高
数据包括口内照侧位片全景片口扫或者石膏三维模型等妥妥的多模态
2 数字化程度较高我们都有专门的saas平台管理所有的数据
3 ai化水平较低也就是近几年 ai自动检测口内的疾病自动分牙自动排牙等基于神经网络的越来越多需要更多的牛人来推动
4 行业技术水准层次不齐
5 大部分正畸类的小公司都在亏钱
6 前景广阔中国人越来越重视口腔牙齿
第一次试水带个货玩一下大家如果对口腔行业想了解更多的可以多评论然后我可以出一期专门的视频聊一聊这个行业

检验医师 · 发表于 2024-9-20 06:46

首先值得肯定的是，这个方向有很好的就业机会。
目前，国内做AI医疗方面，拿到大笔投资，同时也有一定订单规模的，主要就是医疗影像人工智能识别，这些企业包括了依图、联影等等。
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。
这条路很漫长，希望题主和其他有志于AI医疗的人能够坚持走下去！

同花顺 · 发表于 2024-9-20 06:47

会的
依据如下
目前深度学习非常火爆，深度学习在生物医学图像中也有所应用，比如下面几篇论文
Razzak, Muhammad Imran, Saeeda Naz, and Ahmad Zaib. &#34;Deep Learning for Medical Image Processing: Overview, Challenges and the Future.&#34; InClassification in BioApps, pp. 323-350. Springer, Cham, 2018
https://arxiv.org/ftp/arxiv/papers/1704/1704.06825.pdf

这篇是综述性的

Lee, June-Goo, Sanghoon Jun, Young-Won Cho, Hyunna Lee, Guk Bae Kim, Joon Beom Seo, and Namkug Kim. &#34;Deep learning in medical imaging: general overview.&#34;Korean journal of radiology18, no. 4 (2017): 570-584.
https://www.kjronline.org/Synapse/Data/PDFData/0068KJR/kjr-18-570.pdf
另外，从引用量上可以看出一定的研究热度

这篇也是综述性的

Tseng, Kuan-Lun, Yen-Liang Lin, Winston Hsu, and Chung-Yang Huang. &#34;Joint sequence learning and cross-modality convolution for 3d biomedical segmentation.&#34; InComputer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on, pp. 3739-3746. IEEE, 2017.
http://openaccess.thecvf.com/content_cvpr_2017/papers/Tseng_Joint_Sequence_Learning_CVPR_2017_paper.pdf

Erickson, Bradley J., Panagiotis Korfiatis, Zeynettin Akkus, and Timothy L. Kline. &#34;Machine learning for medical imaging.&#34;Radiographics37, no. 2 (2017): 505-515.
https://pubs.rsna.org/doi/pdf/10.1148/rg.2017160130

这篇是综述性的文章