商湯科技SenseCare創“心”升級，探索“聯邦學習”入選歐洲計算機視覺國際會議（ECCV）

隨著人工智能被納入國家戰略和“新基建”體系，AI技術將為助力我國醫療行業升級發揮積極作用。

在剛剛過去的2020 世界人工智能大會上，中華醫學會放射學分會主任委員、中國醫學裝備人工智能聯盟副理事長金征宇教授在商湯人工智能企業論壇發表演講時表示，“AI是未來影像科醫生的重要助手，可以幫助醫生更快地了解病情，是迅速提升邊遠、不發達地區醫療水平的重要方法。”但同時也指出，“AI在醫學領域的應用還存在著很多倫理、隱私、信息安全問題亟待解決。AI研究需要從純商業利益驅動提升到公共政策驅動，接受政府、社會的監督。”

“新基建”浪潮下，AI將踐行善治、惠民、興業三大使命。作為全球領先的AI平台公司，商湯科技不僅用AI為醫生提供智能輔助工具，提升醫院診療效能，同時也不斷探索前沿，以聯邦學習等創新技術和可持續的AI發展准則，突破AI應用的邊界，引領AI醫療行業的可持續發展。

平台應用再升級，心臟冠脈AI助力醫生減負增效

近年來，盡管我國社會經濟取得了飛躍式的發展，但勞動人口卻在逐年下降，人口老齡化速度正在加快。可與此同時，我國醫療資源卻面臨著“數量短缺、分布不均”等問題。而AI和大數據技術的興起，有望通過推動行業的智能化升級，助力解決我國醫療資源不足以及不均衡的問題。

從輔助診療、精准手術到藥物挖掘，AI+醫療有著豐富的應用場景，金征宇教授則表示“醫學影像分析是需求最大的領域”，並以商湯科技SenseCare智慧診療平台為例，指出“省人、省時、省力、精准”是AI影像輔助診斷帶給醫院的四大價值。

金征宇教授認為“好的醫學AI，一定要滿足臨床需求”。商湯科技SenseCare智慧診療平台正是秉承“立足醫療大數據、服務臨床診療愈”這一理念，基於平台的可靈活拓展性，迄今已推出包含胸部CT、胸部X線、心臟冠脈、病理、骨腫瘤等多款產品解決方案，覆蓋超過13個人體部位和器官，為多科室的臨床診療需求提供AI助力，幫助臨床醫生進行高精度疾病檢測、分型、良惡性預測等多維分析以及3D術前規劃與模擬等治療方案的設計。

在今年新冠疫情期間，SenseCare胸部CT智能臨床解決方案第一時間馳援北京、上海、天津、山東、河北、福建等多省市新冠肺炎重點篩查醫院，高效、准確地為前線醫務工作者提供決策依據。在此次WAIC大會期間，商湯科技還展示了針對心血管疾病智慧診療的SenseCare心臟冠脈智能臨床解決方案。

作為心血管疾病診斷的重要手段，心血管CT造影檢查（CTA）需要醫生對冠脈CT圖像進行復雜的三維重建以判斷斑塊狹窄等情況，單個病例的診斷從醫生開始閱片到出具報告需要耗費20~30分鐘。SenseCare心臟冠脈智能臨床解決方案依托商湯領先的AI算法，結合多種三維可視化與交互技術，可自動完成心臟分割、冠脈分割、中心線提取等三維重建、斑塊量化分析、以及自動生成膠片和結構化報告，整個流程僅需約1分鐘完成，全方位提高了心臟冠脈診療的效率及完備性，降低醫生的負擔。

從輔助醫生提高臨床決策和診治效率，到協助偏遠地區經驗較少醫生提升診斷能力，如今，AI醫療技術的創新和應用正呈現出方興未艾之勢，不斷助力平衡我國的醫療資源。但與之對應的是，“AI倫理規范已經嚴重滯后”，金征宇教授明確指出“必須從一開始就將倫理規范納入AI系統。”這也是當前行業的一項重要議題。

前瞻研究入選ECCV，“聯邦學習”助力AI醫療可持續發展

為推動AI的應用規范和准則設計，商湯科技於去年成立了AI倫理委員會，在公司內部產品審核等各項流程中嚴格進行AI倫理的審查，並在今年6月與上海交通大學清源研究院聯合發布《AI可持續發展白皮書》，為AI行業倫理發展提出規范性意見。與此同時，在產品的底層框架與技術研發的過程中，商湯科技也進行了前瞻探索，從根源上降低數據安全性隱患。

由於涉及隱私等問題，全球各國都針對醫療數據制定了相關的保護政策，使得多中心數據共同訓練變得愈發困難，而這又是醫療AI模型開發迭代必須的步驟。近兩年異軍突起的“聯邦學習”，為這一問題提供了全新的解題思路。聯邦學習是一種分布式的機器學習方法，可以在不共享數據的情況下對多中心的數據進行聯合建模，從技術上實現了保証數據安全的同時實現協作。聯邦學習的提出受到了產、學、研各界的廣泛關注，成為AI領域的一項前沿課題。

依托深厚的學術研發底蘊以及對行業趨勢的敏銳洞察，商湯科技自2019年便開始了對聯邦學習的前瞻性研究，並於近日攜手美國羅格斯大學計算機系計算生物醫學成像和建模研究中心，在全球頂級計算機視覺會議ECCV（歐洲計算機視覺國際會議）上發表了一項新的研究成果，創新地使用基於分布式生成對抗網絡（GAN）的結構來實現聯邦學習，為打通AI醫療應用的最后一公裡開辟出一條“新的道路”。

該研究通過將位於多個數據孤島的分布式異步鑒別器和一個中心生成器組成對抗網絡，讓中心生成器在不接觸原始隱私數據的情況下，也能進行合成訓練，從而能夠生成與各數據孤島中原始數據相近似的合成數據樣本，供下游任務使用。在此基礎上，還採用了2種損失函數，使得中心生成器具備一定的終身學習能力，可以在動態變化的數據孤島（鑒別器）環境中持續學習，比如學習過程中有新的機構加入或某些原有機構退出的情況。經試驗模擬，這套學習方法能夠從不同的數據孤島中漸進地學習到同類數據甚至不同類數據的近似分布，並在醫學圖像分割任務中，取得了較理想的效果。

由於避免了對原始數據的直接訪問，這套研究方法秉承了聯邦學習的核心優勢，很好地解決了醫療數據的隱私保護問題。不僅如此，相較於傳統的聯邦學習，由於在實現方法上“另辟蹊徑”，該研究成果還有效減少了中心與數據孤島之間的通信數據量，僅需傳輸合成圖像數據和反饋誤差而非整個模型的所有參數數據，而且各數據孤島之間無需交換任何數據或參數，因而可顯著降低醫療機構之間通過聯邦學習進行研究的成本，加快研究效率和AI模型的生產速度。

此外，這種創新、低成本的聯邦學習模式還可以推動低效率的分散型數據中心向高效的集約型數據網絡升級，從而更好地助力地區性數據中心或行業標准數據庫的建立。這正契合了國家“新基建”的戰略指導方針，加速“數據智能”的基礎設施建設，為醫療乃至更多行業節約成本，創造價值。

自AI在國內快速發展以來，國家陸續出台了相關政策鼓勵AI產業發展， 推動了AI技術與產業的深度融合和落地應用，可持續發展的理念更將推動AI創新與應用的永續前行。對於醫療大健康行業，商湯科技將繼續以研究和應用雙擎驅動，橫向持續拓展SenseCare智慧診療平台能力服務更多臨床業務場景，縱向打通底層技術創新與上層應用的連接，在保証數據安全和患者隱私的基礎上，為醫療行業的數字化、智能化以及安全性等方面提供全方位助力，讓AI的價值不斷綻放，惠民利民。

正如金征宇教授在演講中所說，“相信醫學界能夠利用AI為自己插上一對理想的翅膀，為科學和人類發展做出更大貢獻。”

（來源：商湯科技）