昨日从阿里达摩院获悉，达摩院医疗AI团队的论文被计算机视觉国际顶会CVPR 2023评为Highlight（亮点），从近万篇论文中脱颖而出。这篇论文聚焦于视觉领域著名的OOD难题，提出了全新的医学图像语义分割框架，能够让AI更准确地识别肿瘤中的疑难罕见案例，目前已在胰腺肿瘤和肝脏肿瘤上获得验证。
CVPR是计算机视觉领域最具有影响力的国际顶会，今年共收到9155篇论文投稿，其中只有235篇论文被评为Highlight，占比仅为2.5%。达摩院论文《Devil is in the Queries: Advancing Mask Transformers for Real-world Medical Image Segmentation and Out-of-Distribution Localization》重点关注图像分割，这是计算机视觉领域的基础任务，也是医学影像的根基之一。现在AI已经能够识别癌症，个别甚至达到了专家水平，其基础原理就是图像分割，AI从CT等医学影像中分割出疑似病灶，结合已有数据来判断是否存在病变。但现有的图像分割方法多数基于监督学习，存在先天缺陷，严重依赖于数据的收集和标注，一旦遇到完全没见过的长尾问题，AI的识别准确度就大幅下降。
这就是著名的OOD难题（Out-of-Distribution，分布外泛化问题），在真实世界里层出不穷，比如自动驾驶领域里的corner case，医学影像领域则表现为各种各样的疑难杂症、罕见病，都容易让AI犯错。对于医疗AI来说，如果想真正取得人类信任，实现临床上的应用，必须能够处理这些棘手的问题，否则将给病人带来风险，比如漏检了某些转移癌症，或将罕见恶性肿瘤错认为良性。
达摩院医疗AI团队这次提出了一个全新的医学图像语义分割框架MaxQuery，不仅能够准确分割和识别常见肿瘤等分布内目标（in-distribution），还能够利用Mask Transformers的聚类特性来定位罕见肿瘤等OOD目标。具体来说，由于框架自带的聚类机制，分布内目标会在特征空间被映射到距离聚类中心近的点，而OOD目标则相反。此外，团队还提出Query Distribution Loss（QD损失函数)，加强了聚类分配的多样性，既能提升分布内目标分割的精度，又能提高OOD肿瘤的分割和识别的准确性。
达摩院提出的新框架
为了验证新方法的准确性，研究团队构建了胰腺肿瘤全病种和肝脏肿瘤全病种两个医疗影像的数据集，包括1088名患者的连续对比的增强CT影像。实验证明，新方法显著提了OOD定位能力，与业界标杆SML相比，在最重要的AUPR指标上平均提升14.69%； 在常见肿瘤分割性能上，新方法较业界标杆nnUNet提升了5.27%。也就说，达摩院的新方法能够更准确地识别胰腺和肝脏中的常见肿瘤和罕见肿瘤。
实验结果显著优于已有方法
“OOD是临床上的常见难题，一直缺乏好的解决方法。这篇论文不仅提出了一个通用又简单的全新计算框架，而且在定量结果上有显著提升，为临床应用打下坚实基础，有望真正帮助到医生和病人。”达摩院医疗AI团队负责人、IEEE Fellow 吕乐表示。据了解，达摩院医疗AI团队正在研发精准癌症诊疗AI影像系统，包括规模筛查、精准诊断、预后治疗、响应评估等全流程的癌症诊疗技术，覆盖多个重要病种。该团队长期致力于医学影像等方向研究，曾在疫情初期研发出CT影像新冠肺炎AI辅助诊断系统，被科技部评为全国科技抗疫先进集体。
论文链接：https://doi.org/10.48550/arXiv.2304.00212
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
