商汤SenseCare创“心”升级，探索“联邦学习”入选CV顶会ECCV

随着人工智能被纳入国家战略和“新基建”体系，AI技术将为助力我国医疗行业升级发挥积极作用。

在刚刚过去的2020世界人工智能大会上，中华医学会放射学分会主任委员、中国医学装备人工智能联盟副理事长金征宇教授在商汤人工智能企业论坛发表演讲时表示，“AI是未来影像科医生的重要助手，可以帮助医生更快地了解病情，是迅速提升边远、不发达地区医疗水平的重要方法。”但同时也指出，“AI在医学领域的应用还存在着很多伦理、隐私、信息安全问题亟待解决。AI研究需要从纯商业利益驱动提升到公共政策驱动，接受政府、社会的监督。”

“新基建”浪潮下，AI将践行善治、惠民、兴业三大使命。作为全球领先的AI平台公司，商汤科技不仅用AI为医生提供智能辅助工具，提升医院诊疗效能，同时也不断探索前沿，以联邦学习等创新技术和可持续的AI发展准则，突破AI应用的边界，引领AI医疗行业的可持续发展。

平台应用再升级，心脏冠脉AI助力医生减负增效

近年来，尽管我国社会经济取得了飞跃式的发展，但劳动人口却在逐年下降，人口老龄化速度正在加快。可与此同时，我国医疗资源却面临着“数量短缺、分布不均”等问题。而AI和大数据技术的兴起，有望通过推动行业的智能化升级，助力解决我国医疗资源不足以及不均衡的问题。

从辅助诊疗、精准手术到药物挖掘，AI+医疗有着丰富的应用场景，金征宇教授则表示“医学影像分析是需求最大的领域”，并以商汤科技SenseCare®️智慧诊疗平台为例，指出“省人、省时、省力、精准”是AI影像辅助诊断带给医院的四大价值。

金征宇教授认为“好的医学AI，一定要满足临床需求”。商汤科技SenseCare®️智慧诊疗平台正是秉承“立足医疗大数据、服务临床诊疗愈”这一理念，基于平台的可灵活拓展性，迄今已推出包含胸部CT、胸部X线、心脏冠脉、病理、骨肿瘤等多款产品解决方案，覆盖超过13个人体部位和器官，为多科室的临床诊疗需求提供AI助力，帮助临床医生进行高精度疾病检测、分型、良恶性预测等多维分析以及3D术前规划与模拟等治疗方案的设计。

在今年新冠疫情期间，SenseCare®️胸部CT智能临床解决方案第一时间驰援北京、上海、天津、山东、河北、福建等多省市新冠肺炎重点筛查医院，高效、准确地为前线医务工作者提供决策依据。在此次WAIC大会期间，商汤科技还展示了针对心血管疾病智慧诊疗的SenseCare®️心脏冠脉智能临床解决方案。

作为心血管疾病诊断的重要手段，心血管CT造影检查(CTA)需要医生对冠脉CT图像进行复杂的三维重建以判断斑块狭窄等情况，单个病例的诊断从医生开始阅片到出具报告需要耗费20~30分钟。SenseCare®️心脏冠脉智能临床解决方案依托商汤领先的AI算法，结合多种三维可视化与交互技术，可自动完成心脏分割、冠脉分割、中心线提取等三维重建、斑块量化分析、以及自动生成胶片和结构化报告，整个流程仅需约1分钟完成，全方位提高了心脏冠脉诊疗的效率及完备性，降低医生的负担。

从辅助医生提高临床决策和诊治效率，到协助偏远地区经验较少医生提升诊断能力，如今，AI医疗技术的创新和应用正呈现出方兴未艾之势，不断助力平衡我国的医疗资源。但与之对应的是，“AI伦理规范已经严重滞后”，金征宇教授明确指出“必须从一开始就将伦理规范纳入AI系统。”这也是当前行业的一项重要议题。

前瞻研究入选ECCV，“联邦学习”助力AI医疗可持续发展

为推动AI的应用规范和准则设计，商汤科技于去年成立了AI伦理委员会，在公司内部产品审核等各项流程中严格进行AI伦理的审查，并在今年6月与上海交通大学清源研究院联合发布《AI可持续发展白皮书》，为AI行业伦理发展提出规范性意见。与此同时，在产品的底层框架与技术研发的过程中，商汤科技也进行了前瞻探索，从根源上降低数据安全性隐患。

由于涉及隐私等问题，全球各国都针对医疗数据制定了相关的保护政策，使得多中心数据共同训练变得愈发困难，而这又是医疗AI模型开发迭代必须的步骤。近两年异军突起的“联邦学习”，为这一问题提供了全新的解题思路。联邦学习是一种分布式的机器学习方法，可以在不共享数据的情况下对多中心的数据进行联合建模，从技术上实现了保证数据安全的同时实现协作。联邦学习的提出受到了产、学、研各界的广泛关注，成为AI领域的一项前沿课题。

依托深厚的学术研发底蕴以及对行业趋势的敏锐洞察，商汤科技自2019年便开始了对联邦学习的前瞻性研究，并于近日携手美国罗格斯大学计算机系计算生物医学成像和建模研究中心，在全球顶级计算机视觉会议ECCV(欧洲计算机视觉国际会议)上发表了一项新的研究成果，创新地使用基于分布式生成对抗网络(GAN)的结构来实现联邦学习，为打通AI医疗应用的最后一公里开辟出一条“新的道路”。

该研究通过将位于多个数据孤岛的分布式异步鉴别器和一个中心生成器组成对抗网络，让中心生成器在不接触原始隐私数据的情况下，也能进行合成训练，从而能够生成与各数据孤岛中原始数据相近似的合成数据样本，供下游任务使用。在此基础上，还采用了2种损失函数，使得中心生成器具备一定的终身学习能力，可以在动态变化的数据孤岛(鉴别器)环境中持续学习，比如学习过程中有新的机构加入或某些原有机构退出的情况。经试验模拟，这套学习方法能够从不同的数据孤岛中渐进地学习到同类数据甚至不同类数据的近似分布，并在医学图像分割任务中，取得了较理想的效果。

由于避免了对原始数据的直接访问，这套研究方法秉承了联邦学习的核心优势，很好地解决了医疗数据的隐私保护问题。不仅如此，相较于传统的联邦学习，由于在实现方法上“另辟蹊径”，该研究成果还有效减少了中心与数据孤岛之间的通信数据量，仅需传输合成图像数据和反馈误差而非整个模型的所有参数数据，而且各数据孤岛之间无需交换任何数据或参数，因而可显著降低医疗机构之间通过联邦学习进行研究的成本，加快研究效率和AI模型的生产速度。