鹰瞳Airdoc7篇论文被国际顶级会议M

年9月27日-10月1日，第24届国际医学图像计算和计算机辅助干预会议（以下简称MICCAI）举行，鹰瞳Airdoc7篇学术论文被大会收录并进行宣讲，其中论文"ContinualDomainIncrementalLearningforChestX-rayClassificationinLow-ResourceClinicalSettings”在AffordableHealthcareandAIforResourceDiverseGlobalHealth（FAIR）论坛中斩获最佳论文奖。

今年7月以来，鹰瞳Airdoc高质量科研成果频出，一系列研究成果相继在《柳叶刀》系列、《ScienceBulletin》、《英国眼科学杂志》等权威同行评审科学期刊发表，表现出卓越的科研和创新能力。这些论文对于加快医学影像AI临床转化应用，推动医学影像AI产业发展，提高医疗诊断效率具有重要意义。

MICCAI是国际公认的跨医学影像计算（MIC）和计算机辅助介入（CAI）两个领域的顶级综合性学术会议，是医学影像分析领域的前沿热点风向标，引领该领域的未来发展方向。

今年大会共计收稿篇，最终录取篇。鹰瞳Airdoc被收录的7篇论文由鹰瞳Airdoc莫纳什研发中心（Airdoc-MonashResearchCentre）的首席科学家戈宗元教授带领团队完成，其中4篇在主会宣讲，3篇在相关研讨会中进行宣讲。从算法的角度来看，研究主要聚焦在半监督学习、知识学习、不确定度量，以及连续学习在眼科、皮肤病学、病理和大脑图像上的应用。

重视研发，7篇论文被国际顶会收录

1.视网膜疾病识别

医学数据是医疗人工智能的基石，但在现实世界中，医学数据集往往呈现出一种长尾数据分布，即少数类（疾病）占据大部分数据，而大多数类（疾病）样本很少，这就导致了深度学习模型的不平衡学习，从而给技术研发带来不小的挑战。例如，预计有40多种不同的视网膜疾病，它们的发病率不一，且其中30多种疾病类别在世界范围内都是非常罕见的，这就导致了典型的基于深度学习模型的长尾学习问题。

今年在主会宣讲题为“RelationalSubsetsKnowledgeDistillationforLong-tailedRetinalDiseasesRecognition”的论文，针对这一长尾学习问题，提出了类子集学习，即根据区域和表型信息等先验知识将长尾数据划分为多个类子集的方法。

该方法强制模型专注于学习特定子集的知识。更具体地说，在固定的视网膜区域存在一些相关的分类，或在多数和少数条件下都可以观察到一些共同的病理特征。利用这些子集学习教师模型，将多个教师模型蒸馏为一个具有加权知识蒸馏损失的统一模型。

鹰瞳Airdoc研究团队提出的类子集学习框架（图源论文）

实验结果表明，该方法对于长尾视网膜疾病识别任务是有效的，且方法灵活，可轻松嵌入其他许多先进技术并带来显著改进。

2.黑色素瘤识别

黑色素瘤是迄今为止最致命的皮肤癌，早期发现黑色素瘤能大大降低患者的死亡风险。然而，黑色素瘤的诊断并不容易，它看起来像痣，形状和颜色往往不规则，难以区分良恶性。

为了更好地评估哪些痣可能是癌症，“丑小鸭”（uglyducklings）标准被引入皮肤科，该标准基于这样一个概念，即同一个体身上的大多数痣往往看起来很相似，而那些不相似的痣，即所谓的“丑小鸭”，被认为是黑色素瘤的警告信号。与定量评估的皮肤镜相比，丑小鸭标准在区分恶性黑色素瘤和其他痣上具有更强的鉴别力。

在主会宣讲的“End-to-endUglyDucklingSignDetectionforMelanomaIdentificationwithTransformers”论文中，鹰瞳Airdoc研究团队提出了一个基于丑小鸭标准早期识别黑色素瘤的建模框架(以下简称UDTR)。研究团队分三步构建了模型：首先，利用深度神经网络从相同个体的病灶中提取多尺度特征；然后，利用transformer编码器对病变特征之间的相关性进行建模，从而对病变背景进行学习；最后，设计了一个两分支架构，用于同时执行患者层面和病变层面的预测。

此外，研究人员还提出了一种分组对比学习策略，来加大良性和恶性病变在特征空间的边缘，从而实现更好的背景特征学习。该方法经过ISIC数据集的评估，数据集包括来自名患者的张图像。大量的实验证明了该方法的有效性，并强调了通过周围病变的线索来检测病变，而不仅仅是评估有关病变的重要性。

3.其他论文

另有五篇论文提出了一种新的互一致性网络(MC-Net)用于从3DMR图像中实现半监督左心房分割，引入“医学抠图”的概念作为一种软分割方法和一种新视角来处理和表示医学场景中的不确定区域，在自监督多模态广义零样本学习（GZSL）设置下从磁共振图像预测前列腺癌中的Gleason分级，利用自监督学习方法来学习不同疾病标记之间的几何关系来合成前列腺癌组织病理学图像，以及在医疗资源匮乏的临床机构中使用一种域增量学习方法来进行胸部X线片分类等。

论文"ContinualDomainIncrementalLearningforChestX-rayClassificationinLow-ResourceClinicalSettings”获FAIR论坛最佳论文奖

加快临床转化，造福广大患者

作为一家医学人工智能公司，在算法和硬件研究上持续投入，拓展合作关系和建设社区，一直是鹰瞳Airdoc的责任和义务。截至目前，鹰瞳Airdoc已在《柳叶刀》系列、《英国眼科学杂志》及《英国皮肤病学杂志》等权威同行评审科学期刊，以及一些颇具影响力的人工智能学术会议（例如MICCAI）上发表了超过30篇论文。

此外，鹰瞳Airdoc还开发了覆盖软件、硬件设备以及算法的关键技术的全面的知识产权组合，截至目前，在中国拥有项专利及专利申请，以及6项已发布PCT申请，其中22项专利及专利申请以及两项已发布PCT申请均与鹰瞳Airdoc的核心产品有关。

“让健康无处不在”是鹰瞳Airdoc的使命，鹰瞳Airdoc将持续与各方机构携手，探索将相关研究成果进行临床转化，通过医疗AI产品的持续研发和推广，让优质的医疗服务像空气一样触手可及、平等普惠，造福广大患者。

鹰瞳AirdocMICCAI收录论文列表

Mainconference

1.Semi-supervisedLeftAtriumSegmentationwithMutualConsistencyTraining

2.RelationalSubsetsKnowledgeDistillationforLong-tailedRetinalDiseasesRecognition

3.MedicalMatting:ANewPerspectiveonMedicalSegmentationwithUncertainty

4.End-to-endUglyDucklingSignDetectionforMelanomaIdentificationwithTransformers

Workshops

5.Self-SupervisedMultimodalGeneralizedZeroShotLearningForGleasonGrading

6.Self-SupervisedLearningofInter-LabelGeometricRelationshipsForGleasonGradeSegmentation

7.ContinualDomainIncrementalLearningforChestX-rayClassificationinLow-ResourceClinicalSettings

以上研究主要由鹰瞳Airdoc算法团队，鹰瞳Airdoc莫纳什研究中心联合培养博士生和起源人工智能研究院（IIAI）合作学者共同完成。