撰稿人：刘大伟  审核：赵峰  编辑：葛诗煜

2022年10月15日下午，由中国计算机学会主办、YOCSEF济南承办，山东工商学院计算机学院协办的CCF YOCSEF济南技术论坛在山东工商学院顺利举行，论坛主题为“人工智能医学影像深度学习的技术定位与临床赋能”。本次论坛，由山东工商学院程大鹏、烟台大学郑强担任本次论坛执行主席，济南大学杨晓晖、山东工商学院刘大伟担任线上主席。产业界专家、高校教师、部分CCF YOCSEF济南委员等相关人员出席了本次论坛。本次论坛采用线上线下相结合的方式，线下会场到会50余人，线上参会达到518人，论坛全程人员爆满，展开了激烈思辨。

全体与会人员合影

论坛伊始，山东工商学院计算机科学与技术学院院长刘培强作为东道主致欢迎辞，CCF YOCSEF济南主席刘新锋（山东建筑大学）进行YOCSEF文化培训并对YOCSEF济南做总体介绍：中国计算机学会（CCF）青年计算机科技论坛（Young Computer Scientists& Engineers Forum，YOCSEF）是CCF于1998年创建的系列学术活动，以“承担社会责任、提升成员能力”为宗旨，是青年精英的训练营，在全国建设有27个分论坛，YOCSEF济南分论坛成立于2003年，在济南企业、政府委员的参与支持下，促进校、企、政各方面的青年才俊的加入与成长，与CCF分部、YOCSEF兄弟论坛资源共享，基于济南新旧动能转换产业优势，高校企业双螺旋共舞，服务地方经济。

随后论坛进入引导发言阶段。南京大学健康医疗大数据国家研究院院长助理何克磊副研究员以《Transformer在医学图像中的应用》为主题，介绍了构建于自注意力机制的Transformer方法的核心算法原理及其在图像中的应用模型，详细分析了在医学图像的分类、分割、检测等任务中应用的现状与模型，系统性的综述了以Transformer技术为代表的人工智能深度学习技术在医学影像分析中的技术定位。南京理工大学“社会安全信息感知与系统”工信部重点实验室副主任、计算机科学与工程学院李泽超教授以《细粒度视觉内容分析与识别》为主题，介绍了图像处理中智能理解领域的细粒度视觉内容识别的难点和挑战，详细讲解了团队针对图像理解、语义分割等问题，利用小样本、弱监督学习的代表性研究成果。国家民委图像图形智能处理重点实验室负责人、北方民族大学计算机科学与工程学院周涛教授以《AI医疗—多模态医学影像“深度”解析》为题，介绍了人工智能医学影像应用的政策背景、产业链、企业生态等现状，详细讲解了团队多年来针对分割、融合、检测、诊断等问题的研究成果，及其在前列腺肿瘤和肺部肿瘤的计算机辅助诊断中的系统应用。南京理工大学计算机科学与工程学院周涛教授以《多模态学习在脑疾病诊断中的应用研究》为题，引入了脑疾病诊断的应用场景，介绍了多模态学习的研究思路，详细讲解了团队针对阿尔茨海默病（AD）和大脑肿瘤诊断的一系列代表性成果。引导发言结束后，进入激烈的讨论思辨环节。

南京大学何克磊副研究员做报告

南京理工大学李泽超教授做报告

北方民族大学周涛教授做报告        

南京理工大学周涛教授做报告

针对议题一“人工智能医学影像中深度学习技术的可解释性是否可重复？”，北京师范大学认知神经科学与学习国家重点实验室研究员、人工智能学院邬霞教授首先进行了思辨引导发言，认为医学影像中的深度学习具有透明性，可理解和可解释的需求，目前面向具有广泛标注的大数据集任务，已有稳定性较好的可解释深度学习方法，但针对标注少的疾病数据、适应性不同的数据和不同场景要求，可解释性和可重复性还需提升，需要从理论源头上，将医疗领域的先验知识引入，与深度模型相结合，设计新型的具有先验知识的算法。有嘉宾认为，可解释性有两方面的理解，一个是深度学习模型中目标定位等功能性解释，另一个是目标应用场景中的可解释性。有嘉宾认为，在可解释性上需要计算机与医学知识的交叉，结合目前关于深度学习算法的可解释性，对提取的特征或中间结果结合医学知识进行分析。有嘉宾指出，医学影像的应用场景相比其他场景目的和需求不一样，更看重可解释性，且可解释性和可用性不是对等的。还有嘉宾认为，在研究方法上可以通过深度生成模型来学习可解释性，建立多模态映射，可视化学习过程。

针对议题二“Transformer在医学影像分析中是否能够取代卷积神经网络？”，山东省数字媒体技术重点实验室主任、山东财经大学计算机科学与技术学院刘慧教授首先进行了思辨引导发言，认为医学影像分析急需更好的解决方案以提高对全局上下文建模的效率，同时保持对低级细节的有力捕捉；Transformer对大体量数据集效果较好，但医学影像数据量普遍较少，充分利用Transformer的自注意力优势，还需要解决数据量小的短板；针对3D医学影像数据计算量大的问题或充分利用大量未标记数据的现实需求，自监督训练的CNN或Transformer是否是一个值得探讨的方向？有嘉宾认为，医学影像缺少的不是数据，而是标注，如何开发适用于医学影像，或针对某种疾病的自监督方法是未来的方向。有嘉宾认为，Transformer不可能取代CNN。Transformer的优势是全局角度，医学中做诊断、分段、分类的很多时候局部特征更重要，全局特征起辅助作用。将Transformer和CNN结合来做效果应该比较好。还有嘉宾指出，Transformer参数量极大，需要训练数据量大。医学影像数据如病历、影像片子通常体量较小，在训练过程中很容易欠拟合，当样本有局限性时也容易过拟合。另外，Transformer和卷积在视觉提取模式上不同，Transformer中Attention部位比较散，对医生来说可能与经验不相符，所以不容易被信任和认可。

针对议题三“人工智能医学影像如何从深度学习技术迈向临床解决方案”，泰山学者青年专家、青岛大学附属烟台毓璜顶医院大数据与人工智能实验室毛宁主任首先进行了思辨引导发言，展示了在医院中实际应用的人工智能辅助诊断或筛查系统，认为当前存在大量未落地的研究成果，人工智能需要关注真正服务于临床、临床上亟待解决的问题，研究临床上医生对人工智能模型的要求，改善模型的性能，提高泛化能力，实现临床转化。有嘉宾认为，前两个议题讨论的都属于技术或算法本身的问题，距离临床还比较远，这个方向上计算机学科研究的课题应该多与临床做一些交叉，了解医生看待问题的角度。有嘉宾认为，深度学习技术迈向临床解决方案包括人才的培养，算法软件研发和行业应用三个方面，同时要考虑多样性、多模态的问题，最好能建设一个高质量的标注数据库。有嘉宾认为，人工智能在医学临床应用目前还没有分级的概念，更多的还是处于辅助地位，真正实现无人化、无人干预的诊断还需要从理论上进一步研究，可能还有很长的路要走。有嘉宾认为，医学影像的临床应用是一个风险敏感的应用，需要解决可信度问题，预测结果要有一个可信度的度量方法。

经过2个小时的思辨讨论，论坛观点汇总如下：

（1）医学影像的应用场景相比其他场景更看重可解释性。可解释性和可重复性需要结合应用需求进一步深入研究，最终目的是为临床服务。

（2）CNN更关注局部特征，Transformer更关注全局特征。在研究中要以应用为导向，关注医生的经验和认可程度。

（3）现阶段在医学临床中人工智能更多的是辅助应用，需要加强算法技术的持续研究，培养医理工交叉学科的人才，解决实际临床需求。

论坛现场

论坛线上与会嘉宾

最后，本次论坛执行主席程大鹏感谢了出席本次论坛的各位领导和嘉宾，CCF YOCSEF济南主席刘新锋进行了总结发言，希望人工智能医学影像论坛能够持续举办，成为品牌输出，并希望大家持续关注YOCSEF济南，积极参加YOCSEF济南的各项活动。

“大众网”对本次学术活动进行了报道：

http://www.dzwww.com/xinwen/jishixinwen/202210/t20221020_10959809.htm