影像研究与医学应用是什么期刊

为探索认定发布供我国科技工作者使用、供学术文献成果评价参考的高质量科技期刊分级目录，推动同等水平的国内外期刊等效使用，体现应用实践类科研成果的应有价值，引导国内科技工作者将更多优秀成果在我国高质量科技期刊首发，突破我国科技期刊发展瓶颈，推动我国科技期刊进行良性可持续发展，推动建设适应世界科技强国需求的科技期刊体系，助推世界一流科技期刊建设，中国科协经过统一部署，2018年起，开展了高质量科技期刊分级目录发布工作。2019年7月，中国科协、中宣部、教育部、科技部联合印发《关于深化改革 培育世界一流科技期刊的意见》，明确提出要遴选发布高质量科技期刊分级目录，形成全面客观反映期刊水平的评价标准。遵照同行评议、价值导向、等效应用原则，国内各大学会、协会、组织机构通过科技工作者推荐、专家评议、结果公示等规定程序，形成了本领域科技期刊分级目录的初步成果，现予以公布。每个学科领域的期刊分为T1级、T2级和T3级三个级别：T1类表示已经接近或具备国际一流期刊，T2类是指国际知名期刊，T3类指业内认可的较高水平期刊。附件：一、FMS管理科学高质量期刊推荐列表（1220种）二、地学领域高质量科技期刊分级目录（617种）三、临床医学领域高质量科技期刊分级目录（170种）四、能源电力领域高质量科技期刊分级目录（121种）五、农林领域高质量科技期刊分级目录（111种）六、建筑科学领域高质量科技期刊分级目录（111种）七、信息通信领域高质量科技期刊分级目录（41种）八、煤炭领域高质量科技期刊分级目录（25种）其他（征集意见中）九、航空航天领域高质量科技期刊分级目录（103种）十、水利领域高质量科技期刊分级目录（90种）01FMS管理科学高质量期刊推荐列表（1220种）2019年5月， 中国优选法统筹法与经济数学研究会、管理科学与工程学会、中国系统工程学会联合决定正式启动管理科学高质量期刊推荐工作，包括推荐国际期刊和中文期刊两项任务。推荐工作主要基于同行评议、价值导向、等效应用原则，以期刊刊发的论文品质及期刊的学术贡献为主要标准，定量评价与定性评价相结合，同时考虑文献计量指标和同行评议情况。三家学会联合发布管理科学高质量期刊推荐列表，并将其命名为FMS期刊列表（Federation of Management Societies of China，缩写为FMS），希望通过三家学会的学术公信力和影响力，引导科研人员聚焦领域重要期刊，提升高质量中文期刊的学术吸引力和学术影响力。高质量中文期刊推荐列表在充分考虑重要数据库收录、经济管理学院认可程度、领域影响因子、专家意见、重要奖励五个维度信息基础上，通过建模计算，推荐出管理科学高质量中文期刊85种，并分成T1、T2两个等级，其中T1类期刊28种、T2类期刊57种。高质量国际期刊推荐列表以英国ABS期刊列表、澳大利亚ABDC期刊列表、法国CNRS期刊列表和德国VHB期刊列表四家列表中三家列表同时包含的期刊为蓝本，将文献计量指标和同行评议结果相结合，并充分关注了中国科研机构创办或由中国学者担任主编的国际期刊，最终推荐出管理科学高质量国际期刊1135种，并分成A、B、C、D四个等级，其中A类期刊133种、B类期刊319种、C类期刊444种、D类期刊239种。FMS管理科学高质量期刊（中文期刊）02能源电力领域高质量科技期刊分级目录（121种）中国电机工程学会遵照同行评议、价值导向、等效应用原则，完成了科技工作者推荐、专家评议、结果公示等规定程序，形成了《能源电力领域高质量科技期刊分级目录》。该《目录》涵盖“能源与电力综合”、“能源与发电技术”、“电力系统及其自动化”、“电工理论与装备”四个方向，遴选源期刊769种，其中包括中国期刊186种，其他国家和地区期刊583种，最终选定121种高水平科技期刊进入分级目录。03煤炭领域高质量科技期刊分级目录（25种）2020年9月，由中国煤炭学会确定发布，T1类6种，T2类19种。04航空航天领域高质量科技期刊分级目录（103种）由航空航天领域高质量科技期刊分级目录分领域评审委员会按照《办法》组织开展期刊在线评审工作，候选期刊名单如下：05水利领域高质量科技期刊分级目录（90种）06临床医学领域高质量科技期刊分级目录（170种）首批发布的临床医学领域科技期刊分级目录涵盖心血管病学、内分泌病学、儿科学、医学影像学四个方向，遴选源期刊585种，其中包括中国期刊78种，其他国家和地区期刊507种，最终选定170种高水平科技期刊进入分级目录。在分级目录评定过程中，共有相关学科领域的485名专家参与期刊的推荐、审定工作。07农林领域我国高质量科技期刊分级目录拟入选期刊名单公示（111种）分级目录经过农林领域期刊确定、专业机构和网络投票、资格审查、学科专家分组评审等环节，推荐111种期刊提交专家评审会评审。确定拟入选期刊111种，其中，T1等级27种，T2等级34种，T3等级50种。08地学领域高质量科技期刊分级目录（617种）2020年7月3日，中国地质学会网站发布了我国地学领域高质量科技期刊分级目录试点成果，《目录》共有359种国内和258种国外期刊入列。其中国内期刊T1类57种、T2类142种、T3类160种。09信息通信领域高质量科技期刊分级目录（41种）10建筑科学领域高质量科技期刊分级目录（111种）2020.09月，中国建筑学会，该目录中共有111种期刊入选，并将入选期刊分为T1级、T2级和T3级三个级别，其中入选T1级期刊36种，入选T2级期刊35种，入选T3级期刊40种。来源：锐动源

在科研创新能力上，深睿研究院(Deepwise AI Lab)一直处于行业领先地位，是目前行业内规模最大的专注于人工智能医疗领域的研究机构之一，从成立以来一直致力于医疗前沿科技的探索，通过科技与临床的结合，产生了众多兼具临床价值和科技创新性的科研成果，陆续被国际顶级期刊和会议收录。截止到目前为止，深睿研究院在人工智能与机器学习顶级期刊及会议(如TPAMI、TCyb、ICML、CVPR、ICCV、ECCV、AAAI等)上发表论文三十余篇，其中涵盖了计算机视觉和模式识别领域三大顶级国际会议，尤其是连续两年在备受瞩目的顶级会议CVPR(谷歌2019学术榜Top 10)上均有学术成果发表，在国内人工智能领域的科技公司中处于前列;同时，在医学影像计算与分析领域，如IPMI、MICCAI、ISBI、RSNA、ECR等顶级会议上，发表论文近二十篇。 近期，深睿研究院又有两篇科研成果被刊登在国际顶级学术期刊上，体现了深睿研究院的持续创新能力。其中与中国医学科学院肿瘤医院共同完成的“Long-term follow-up of persistent pulmonary pure ground-glass noles with deep learning”(https://doi.org/10.1007/s00330-019-06344-z)被国际顶级放射学杂志European Radiology收录并发表。European Radiology是欧洲放射学会的会刊，创刊于1991年，在行业具有广泛影响力和不可或缺的学术地位，是放射学领域专家学者们不可或缺的信息来源，代表了最前沿的放射学科学，在综合类影像期刊中居第2位。当前，肺癌已经成为中国发病率和致死率第一的癌症，而在国内通过人工智能技术辅助肺癌筛查已经得到了广泛的应用，但目前普遍停留在利用深度学习进行肺结节检测研究上。然而，对于肺结节的生长评估鲜有研究，尤其是对亚实性结节(纯磨玻璃结节和部分实性结节)的长期管理在临床上具有重要意义。其中管理长期存在的纯磨玻璃结节pGGN(Pure Ground Glass Nole)存在着更多的争议。为了解决这些争议，有必要研究长期存在的pGGN的生长进展，精确测量其生长速度，并识别出影响其进展的风险因素。这篇论文的研究工作正是利用深度学习技术对肺部pGGN进行自动分割，并基于随访数据开展上述研究，为临床上量化评估肺结节提供给更为精准的依据。本研究中，pGGN的自动检出和分割由来自深睿医疗的Dr. Wise AI肺结节辅助诊断系统实现，综合利用递归神经网络(Recurrent Neural Network, RNN)和卷积神经网络(Convolution Neural Network, CNN)，超过目前任何单一分割方法的效果。基于Dr. Wise AI肺结节辅助诊断系统对基线以及所有随访的胸部CT影像数据进行肺结节自动检出和分割，自动计算出pGGN的直径、密度、体积、质量、VDT(体积倍增时间)和MDT(质量倍增时间)，并通过以上量化指标探究肺pGGN的自然生长规律，准确测量pGGN的生长速度，并评估影响pGGN生长的危险因素，为临床上管理pGGN提供了重要的参考。本研究的结果表明，深度学习技术可辅助揭示pGGN的自然生长规律;其中长期存在的pGGN表现为惰性生长;有分叶征和较大基线直径、体积和质量的pGGN随访过程中更容易出现生长。图1. 分叶状征、初始平均直径、初始体积和初始质量是预测pGGN是否进展的关键指标同时，深睿研究院与北京理工大学合作完成的论文“A deep network for tissue microstructure estimation using modified LSTM units”(https://doi.org/10.1016/j.media.2019.04.006)被刊登在Medical Image Analysis(MIA)。MIA是国际医学图像计算和计算机辅助干预会议MICCAI的官方期刊，创刊于1996年，关注将计算机视觉、虚拟现实和机器人技术应用于医学影像领域的科研成果，其影响因子逐年上升，2018年达8.88，行业内知名专家学者关注度极高，被誉为高质量论文的衡量标尺。本论文基于改进的长短时记忆(Long-Short Term Memory，LSTM)单元提出了一种用于估计组织微观结构的通用深度网络MESC-Net，提升了弥散磁共振成像 (Diffusion Magnetic Resonance Imaging，dMRI)质量。dMRI为非侵入式评估组织的微观结构提供了一种独特的工具，但由于模型较为复杂，通常需要带有大量弥散梯度的扫描序列来提升图像质量，而这导致了扫描时间的延长。在使用较少的弥散梯度时，用复杂信号模型来精确描述组织的微观结构具有一定的挑战性。所以，如何基于较少的弥散梯度得到较好的dMRI图像质量是科研上持续探索的一个难题。本文提出的MESC-Net网络在弥散梯度减少的情况下可以提升图像质量，对于临床扫描上的价值则是可以缩短扫描时间，提升临床效率。另外，本研究提出的网络结构是一种通用的估计微观组织结构的网络，而不只是局限于某一种模型，为了验证该算法的通用性，实验还评估了基于三种信号模型NODDI(neurite orientation dispersion and density imaging)、 SMT(spherical mean technique)、 EAP(ensemble average propagator)估计得到的组织微观结构结果。实验结果表明MESC-Net可成功地应用于三种不同的模型，该方法可以作为组织微观结构估计的通用方法，拥有广泛的临床应用前景。图2. 基于NODDI模型用MESC-Net计算得到的vic/viso/OD的横截面示意图，AMICO/MLP/MEDN/MEDN+/m-MEDN+均为对比方法深睿医疗是一家注重前沿科技探索的公司，作为AI医疗领域的引领者，始终坚持将最先进的人工智能技术应用到医疗领域，以俞益洲教授(ACM 杰出科学家/IEEE Fellow)为核心的深睿研究院，一直致力于探索前沿的人工智能科技在医学领域的应用，通过Dr.Wise 多模态科研平台的助力，不断深化与医院、高校在临床问题上的科研合作，提升科研效率，产出高质量的科研论文，并促进成果转化，让前沿人工智能技术和研究更加贴近临床需求，让AI真正落地到实际临床场景，助力国家智慧医疗建设。进入2019年，深睿研究院有8篇论文入选人工智能顶级会议CVPR2019，实现了图像识别与医学影像分析等技术的创新性突破，跻身中国论文发布数量排名前列的科技公司之一。在今年10月召开的医学影像分析顶级国际会议MICCAI和11月召开的国际计算机视觉顶级会议ICCV上，深睿研究院又有10篇关于医疗人工智能领域的科研论文被收录。截止到目前为止，深睿研究院已发表50余篇顶级学术论文，累积影响因子超过80，论文接收率超过50%，彰显出深睿研究院强大的科研能力。来源：消费日报网

对于那些想在学术期刊发稿的作者不可不了解一下维普网所收录的相关学术期刊。本文就维普网收录的相关期刊作一下介绍：一、维普网期刊征稿特点由于近期相当多的不法分子假冒杂志社名义对外征稿，致学术机构和作者无法考究其真实身份，给作者和学术机构都带来了严重的精神和经济损失。为了规范学术市场氛围，将诚信经营做到极致，更好地服务各学术机构。国家级学术团体重庆维普网官方在征稿过程中决定对优秀论文学术机构推荐发表的文章采取“先发表，后检索”的活动。所推荐的刊物都是国家新闻出版总署可查，具有国际国内双刊号的刊物，所发表的文章会在维普网及相关的网站全文检索。 二、维普网期刊主管单位维普期刊的主管单位为维普资讯，这是一家科学技术部西南信息中心下属的一家大型的专业化数据公司，是中文期刊数据库建设事业的奠基人，公司全称重庆维普资讯有限公司。目前已经成为中国最大的综合文献数据库。是中国三大学术期刊库之一（知网，万方，维普）。我们所推荐的刊物都是经国家新闻出版总署批准，具有国内刊号，国际刊号的合法期刊。所有刊物的文章发表后都会第一时间在维普网优先上网收录。三、维普网重点国家级期刊（一）《医药卫生》该期刊由科技部西南信息中心主管，重庆维普资讯有限公司主办，其国内刊号为CN 50-9205/R、国际刊号为ISSN 1671-5535，出版语种为中文。《医药卫生》杂志是国家新闻出版广电总局2009年4月8日批准，由科技部西南信息中心主管，重庆维普资讯有限公司主办的国家级医学电子学术期刊，维普网全文收录。 《医药卫生》坚持以充分利用丰富专家资源、技术资源和人力资源，为医药卫生行业和医药卫生工作者提供学术交流与成果展示平台的办刊宗旨。主要栏目有：论著、临床医学、基础医学、护理医学、医院药事、医学心理、医学教育、卫生管理、制剂与工艺、技术与方法、放射与影像、医药检验、中医中药·中西医结合、病理报告、综述等。 （二）《科研》《科研》杂志由科技部西南信息中心主管，重庆维普资讯有限公司主办，期刊刊号为CN50-9230/G，国际刊号为ISSN1671-5780。该期刊系国家新闻出版广电总局2009年4月8日批准的国家级学术科技期刊，由科技部西南信息中心主管，重庆维普资讯有限公司主办。期刊刊号CN50-9230/G，国际刊号ISSN1671-5780。每月出版一期，16开，公开发行，维普网全文收录，是评定职称的正规CN专业学术期刊。《科研》坚持科技创新、报道科研进展、服务科研工作、搭建学术载体的办刊宗旨，面向全国广大科研工作者、企业厂矿工程师、大中小学教师、各大院校在读究生及社会各界关心科研工作的人士提供服务。主要栏目：技术创新、科技教育、科技应用与管理、理论与方法、科技产业、计算机科学、科教平台、学术论坛等（三）《工程技术》《工程技术》杂志由科技部西南信息中心主管，重庆维普资讯有限公司主办，期刊刊号为CN 50-9203/TB，国际刊号为ISSN1671-5519，出版语种为中文。该刊是经国家新闻出版广电总局批准，科技部西南信息中心主管、重庆维普资讯有限公司主办的连续性电子期刊。栏目设置有建筑工程、路桥工程、水利工程、电气工程、机械工程、信息工程、材料工程、石油化工、勘察测绘、市政园林、节能环保、工程管理、工程造价、工程施工、安全质量、技术论坛、科技创新。面向全国广大工程类工作者、企事业单位经营管理人员，以及全国工程类大专院校师生提供服务。（四）《教育科学》《教育科学》由科技部西南信息中心主管，重庆维普资讯有限公司主办，刊期为月刊，国内统一刊号为50-9207/G，国际标准刊号为1671-5551。该刊以为广大教育战线的工作者以及关心教育工作的人士提供科研成果为主要目的，促进国内教育工作及教育环境的良性发展。主要栏目设有师资建设、学前教育·幼儿教育、小学教育、中学教育、高等教育、职业技术教育、思想政治教育、电化教育、学校管理、教学管理、教育事业、教育论坛等。结语对于维普网重点学术期刊只有在精准了解的前提下才能有效投稿，相信本文对从事学术研究的人士在论文投稿方面能起到一定的借鉴作用。

中新网2月12日电 2月11日，国际医学科研期刊《Nature Medicine》在线发布了题为“Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence”(《使用人工智能评估和准确诊断儿科疾病》)的文章。该文章由广州市妇女儿童医疗中心与依图医疗等企业和科研机构共同完成，基于机器学习的自然语言处理(NLP)技术实现不输人类医生的强大诊断能力，并具备多场景的应用能力。业界公认，人工智能是医疗行业革新的核心动力。然而，尽管机器学习在影像诊断方面表现强势，但在数量巨大、多样的电子病历数据分析方面，仍面临巨大挑战。电子病历的数据信息之广、数据类型之多，以及某些方面的数据贫乏及可能出现的特殊案例等，都导致机器学习难以进行精确的数据分析，并进而形成预测临床检测的数据模型。依图提出并测试了一个专门对电子医学病例进行数据挖掘的系统框架，将医学知识和数据驱动模型结合在一起。“此次成果的核心技术部分，实际上是通过深度学习技术与医学知识图谱，对EHR数据进行解构，从而构建了高质量的智能病种库。使得后续可以较容易地利用智能病种库建立各种诊断模型。而诊断模型证明了基于AI的系统可以帮助医生处理大型数据和辅助诊断，同时在诊断的不确定性和复杂性上给予临床支持”，依图医疗总裁倪浩表示，“儿科疾病症状多种多样，临床医生同样难以区分，诊断流程费时费力，但明确诊断非常重要。拥有可与经验丰富的儿科医生相媲美的助手进行辅助诊断，能够让医生有效地降低诊断时间，显著优化诊断流程。”依图与广州市妇女儿童医疗中心进行合作，收集了该中心在2016年1月至2017年7月间的567,498个门诊病人的1,362,559次问诊电子病历，抽取到覆盖初始诊断包括儿科55种病例学中常见疾病的1.016亿个数据点，并将这些信息用于训练和验证系统框架。相比以往模型，此次研究使用了超过140万的庞大数据，以完善诊断系统，此外，此次研究中使用数据在表达和描述上的一致性，极大的提高了数据质量。不仅如此，此次研究还基于NLP实现了病历的重新格式化。首先，有超过25年临床实践经验的资深主治医师手动注释了6,183个图表，然后用3,564张人工标注的图表对NLP信息提取模型进行训练，并用剩下的2,619张图表对模型进行验证。该NLP模型总结了代表临床数据的关键概念类别，利用深度学习技术自动将EHR注释到标准化词汇和临床特征中，从而允许对诊断分类进行进一步处理。广州市妇女儿童医疗中心夏慧敏教授表示，“这篇文章的启示意义在于，通过系统学习文本病历，人工智能或将可以诊断更多疾病。但须要清醒认识到，我们仍有很多基础性工作要做扎实，比如高质量数据的集成便是一个长期的过程，因为大数据的收集和分析需要算法工程师、临床医生、流行病学专家等在内的多专家的通力合作。此外，人工智能学习了海量数据后，其诊断结果的准确性仍然需要更大范围的数据对其进行验证和比对。”

中国医学科学院医学实验动物研究所传染病动物模型研究团队于5月7日在《自然》杂志发表的《新冠病毒在hACE2转基因小鼠中的致病性》研究论文中误用1张病理组织学图片，现已通过电子邮件与《自然》杂志联系，重新提交了正确的图片。中国医学科学院学术委员会日前公开发布了“关于对新冠病毒感染转基因小鼠模型论文核查情况的说明”，并为“本系统下属单位在论文写作过程中由于疏忽而出现的误用图片深表歉意”。中国医学科学院医学实验动物研究所传染病动物模型研究团队在此次新冠疫情科技攻关工作中，承担了转基因小鼠模型构建任务，并将研究结果以《新冠病毒在hACE2转基因小鼠中的致病性》（The pathogenicity of SARS-CoV-2 in hACE2 transgenic mice）为题，于2月2日投稿《自然》杂志。4月24日该论文被接受，5月7日在线公开，等待校稿。随后，该团队发现误用1张病理组织学图片，并已于北京时间5月12日19点通过电子邮件与《自然》杂志联系，重新提交了正确的图片。说明中称“5月13日，我们注意到pubpeer网站对该论文中的病理组织学图片提出质疑。我院对此高度重视，立即责成医学实验动物研究所进行自查并作出说明，经组织有关专家和学术委员会对相关问题进行核查。”经核查，中国医学科学院学术委员会形成以下意见：原始实验分组与论文一致，相关的实验记录与实验数据齐全，与论文结果一致；论文确实误用了1张病理组织学图片。系在论文选用图片时，误将一个阴性对照组（WT-HB-01）切片的不同视野图片用于另外一个阴性对照组（ACE2-Mock）；研究论文中的柱状图系由绘图软件生成，与原始实验数据一致。该原始实验数据已于4月22日在论文接受发表前按要求提交给《自然》杂志。 中国医学科学院学术委员会对本系统下属单位在论文写作过程中由于疏忽而出现的误用图片深表歉意，并表示“将在今后严格加强对科学研究的管理，要求科研人员对论文数据和图表进行认真细致和严谨的审核。”此前，中国医学科学院医学实验动物研究所秦川团队应用hACE2转基因小鼠阐明新型冠状病毒的致病性，建立了国际首个新冠动物模型。此次新冠科技攻关，动物模型是五大主攻方向之一。由于秦川团队在非典以来历次传染病动物模型研制和应用中的积累，科技部安排该团队主持动物模型攻关任务。研究团队针对病毒的感染与体内复制、疾病临床症状及影像学、病理学和免疫学反应，通过感染冠状病毒受体人源化的转基因小鼠，率先建立了新型冠状病毒感染肺炎的转基因小鼠模型，突破了疫苗、药物从实验室向临床转化的关键技术瓶颈。来源：北京日报客户端|记者 刘欢编辑：匡峰流程编辑：吴越

前不久，山西大学和太原理工大学的两项科研成果分别被刊登在世界顶尖杂志上，一个是山西大学彭堃墀院士领导的量子光学基础和应用实验室的贾晓军教授课题组，关于量子传输的成果发表在Science Advances（Sci. Adv. 2018；4：eaas9401 19 October 2018，http://advances.sciencemag.org/content/4/10/eaas9401）。另一个是太原理工大学化学化工学院李立博讲师作为第一作者，在国际顶级学术期刊Science杂志在线发表的研究论文“Ethane/ethylene separation in a metal-organic framework with iron-peroxo sites [Science, 2018, doi: 10.1126/science.aat0586]”。近期，山西的又一所高校传来好消息，2018年11月16日，国际顶级综合性学术期刊Nature Communications发表了中北大学信息与通信工程学院陈友华副教授作为共同第一作者的论文：《基于多角度干涉照明的多色活细胞超分辨体成像显微技术研究》。该文章是陈友华副教授所在的生物医学成像与影像大数据山西省重点实验室与C9联盟高校之一的浙江大学现代光学仪器国家重点实验室合作的一项重要研究成果。中北大学是一所由山西省人民政府与国家国防科技工业局共建、山西省人民政府管理的多科性教学研究型大学。学校的前身是1941年八路军总司令部在太行抗日根据地创办的我党我军第一所兵工学校——太行工业学校，历经太原机械学院、华北工学院，2004年6月经教育部批准更名为中北大学。近年来，中北大学的科研成果广泛应用于国家载人航天、深空探测、重大武器型号等，共有70多项成果应用于“神舟”、“嫦娥”、“天宫”系列工程。为了推动山西高校发展，山西省委省政府启动实施了1331工程（山西省高等教育振兴计划工程），即坚持“立德树人”一个根本任务；重点学科、重点实验室、重点创新团队三项建设；高校协同创新中心、工程（技术）研究中心、产业技术创新战略联盟三项建设；产出一批标志性成果。期待山西更多的高校产出更多有影响力的重大科研成果！

（健康时报记者齐钰）9月25日，由国家癌症中心主任、中国医学科学院肿瘤医院院长赫捷院士领衔的肺癌诊疗多学科团队，在国际顶级肺癌杂志《Journal of Thoracic Oncology》（《胸部肿瘤学》影响因子13.357），发表题为“Lung Cancer in People’s republic of China”的论文。文章对我国肺癌发病率及死亡率的全国登记数据进行展示，并对我国肺癌筛查防控现状、规范化诊断流程策略，以及手术治疗、全身系统性治疗、放射治疗等治疗方式进行详尽描述，对标国际水平，分享中国经验。从而使中国肺癌工作者的创新、改革和相关成就展现于世界舞台，促进肺癌防诊治领域国际合作的广泛开展。国家癌症中心主任、中国医学科学院肿瘤医院院长赫捷院士。中国医学科学院肿瘤医院供图文章报道，肺癌居中国恶性肿瘤发病率和死亡率首位，而大多数肺癌的发病率和死亡率都可归因于吸烟。原卫生部于2008年启动了国家癌症登记和跟踪计划，癌症登记数量从2008年的95个增加到2019年的574个。根据国家癌症登记中心来自368个符合规定的癌症登记处的数据，中国肺癌按世界标准人口计算的年龄标准化发病率为35.92/100000，死亡率估计为28.02/100000。40岁以下肺癌发病率相对较低，此后急剧上升，在80岁～84岁达到顶峰。2015年约有630500名肺癌患者死亡，相当于平均每天有1700余人死于肺癌。主动吸烟是导致男性肺癌死亡的主要原因。一项针对我国成人烟草使用情况调查结果显示，2018年我国成人吸烟率约为26.6%（约50.5%的男性和2.1%的女性吸烟），相较于2010年的28.1%，整体呈下降趋势。但值得注意的是仅有16.1%的吸烟者计划或正在考虑在未来12个月内戒烟。烟草控制，仍是我国肺癌防治工作的最重要问题之一。论文截图及时发现早期肺癌是降低肺癌死亡率的可靠策略。中国在国家癌症筛查项目的背景下，开展了两项大规模的、以人群为基础、有组织的肺癌筛查项目：城市癌症早诊早治项目（CanSPUC）和农村癌症早诊早治项目（RuraCSP）。结果显示，筛查可以有效地提高中国肺癌高危人群的早诊早治比例。由是提出，高危人群每年进行低剂量断层扫描（LDCT）是降低肺癌死亡率的最有效方法。在肺癌诊断方面，近年来涌现的高分辨率计算机断层扫描、PET-CT、支气管内超声引导下经支气管穿刺针吸术以及视频辅助纵隔镜下淋巴结切除术等技术，提高了肺癌的精准诊断和分期的准确性。在肺癌手术治疗方式上，中国新术式、新理念和新研究有了原创性的突破。胸腔镜微创手术在国内广泛应用、机器人辅助胸腔手术（RATS）也已逐步在开展；中国学者原创的“解剖性部分肺叶切除”的新概念被全球胸外科学界接受；免疫检查点抑制剂(PD-1)在术前应用的研究获得成功，取得了40%的病理缓解率，表明在肺癌围手术期免疫治疗的研究中，我国已处于国际领先水平。在肺癌放射治疗方面，我国已建立起1413个放射治疗中心。86.2%和67.4%的中心可以提供三维适形放射治疗和调强放射治疗（IMRT）。包括四维CT或PET-CT模拟、IMRT/容积调强的弧形放射治疗、影像引导的放射治疗和运动管理等先进技术，在全国范围内被广泛应用于肺癌治疗。放疗需求的增加和设备不足等，仍是目前亟需解决的问题。文章第一作者、中国医学科学院肿瘤医院副院长高树庚教授在接受健康时报记者采访时谈到，中国肺癌的系统性筛查、诊断及治疗规范而精准，并具有中国特色。作为表皮生长因子受体（EGFR）突变高发肺癌的国家，靶向治疗如EGFR及ALK抑制剂等的广泛应用为患者带来了极大获益，免疫治疗PD-1抑制剂的应用更是延长了部分肺癌患者的生存期。中国医生在全球肺癌诊治研究的过程中，做出了大量原创性的贡献，起到了举足轻重的作用。“肺癌患者大多集中在一级城市的大医院，因为医生专业化程度高，治疗效果好，这是我国的一大特色，需要合理配置医疗资源，开展远程会诊，帮助患者获得更好的医疗服务遍布全国。”相信在预防、筛查、诊断、治疗、新策略研究等各个环节专家的共同努力下，目前面临的这些挑战，在不久的将来不会是挑战。“我们终将战胜肺癌。”赫捷院士总结道。【来源：健康时报】声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。 邮箱地址：newmedia@xxcb.cn

昆仑客说当前，新冠肺炎疫情在全球蔓延的形势依旧严峻，各大医疗企业、科研机构都在紧锣密鼓进行针对性研究。在防控过程中，第一步就是疑似病例的识别与诊断。AI医疗作为“战疫”新锐，在疫情应对上发挥了积极的效果。今日，科亚医疗的原创性研究成果：《Using Artificial Intelligence to Detect COVID-19 and Community Acquired Pneumonia based on Pulmonary CT: Evaluation of the Diagnostic Accuracy（基于肺CT的人工智能检测COVID-19和社区获得性肺炎：诊断准确性评估）》。作为“可以有效区分一般肺炎与新冠肺炎”的人工智能检测评估创新型技术，以其现实应用意义和研究前瞻性的价值，全球首个被国际顶级放射学期刊《Radiology》收录并发表。作为一家技术驱动型创新企业，科亚医疗专注于人工智能技术在医疗领域的应用，实现普惠医疗。通过将世界领先的深度学习算法和医学影像分析算法、自然语言处理算法等技术与当前最先进的医疗理念相结合，科亚医疗为患者、医疗机构、生命科学研究机构提供精准诊疗服务。今年2月份，科亚医疗获得昆仑万维3000万元投资。《Radiology（放射学）》杂志被公认为是放射学领域最新、与临床相关切质量最高的权威杂志研究成果1基于人工智能有效区分一般肺炎和新冠肺炎的诊断准确性评估报告肺部CT异常是新冠肺炎最典型的影像学表现，部分患者肺部影像改变早于临床症状，因此CT是当前筛查与诊断新冠肺炎的主要手段。科亚医疗本次研究旨在开发一个全自动的人工智能算法框架，助力CT影像检查，自动将新冠肺炎患者从其他患者中鉴别出来，帮助一线医生实现更高效、准确的新冠肺炎患者筛查，提升影像科医生的阅片速度以及新冠肺炎的诊断效率。在这项回顾性的多中心研究中，科亚医疗采用前沿的深度学习技术，创新性地开发了针对新冠肺炎COVID-19的3D检测神经网络 --- COVNet（如图1所示），从肺部CT中提取各类影像特征用于鉴别新冠肺炎。为开发和验证该模型的准确性和稳健性，此次研究在六家医院收集了从2016年8月至2020年2月间共计3322名患者的4356例CT数据，其中包括新冠肺炎、社区获得性肺炎（非新冠）、以及其他非肺炎患者的CT检查数据。在独立测试集中验证表明，科亚医疗自主研发的COVNet对新冠肺炎的鉴别灵敏度和特异性分别高达89.76％和95.77％，ROC（受试者工作特征）曲线下面积AUC为0.96。同时验证了模型对社区获得性肺炎的鉴别准确性（灵敏度86.85％，特异性92.28％，AUC为0.95）。研究结果充分证明了COVNet可以准确地检测出新冠肺炎，并将其与社区获得性肺炎和其他肺部疾病区分开。图1. 新冠肺炎检测神经网络COVNet框架图（COVID-19：新冠肺炎；CAP：社区获得性肺炎；Non-Pneumonia：其他非肺炎）为了提高模型的可解释性，科亚医疗的研究团队基于加权梯度类激活映射方法，来可视化导致深度学习模型COVNet做出决策的重要区域（由模型自动生成）。图2展示了新冠肺炎、社区获得性肺炎、及非肺炎病例CT的可疑区域热图。这些热图表明，COVNet最为关注异常区域，同时正确地忽略正常区域，以帮助算法框架识别出病灶区域并做出准确的疾病鉴别。图2. COVNet做出决策的重要区域热图。a、b、c列分别展示了新冠肺炎、社区获得性肺炎、其他非肺炎数据的CT图（上）和可疑区域热图（下）临床价值2极具现实意义的创新设计，通过AI增效实现新冠筛查流程优化当前，新冠肺炎疫情肆虐全球，在防控过程中，第一步就是疑似病例的识别与诊断。而目前，核酸检测是确诊新冠肺炎的“金标准”，只有通过核酸检测阳性才能确诊。但对于早期普通型患者，核酸检测敏感度较低，临床上可能需要多次检查确认，检测耗时较长，常出现CT表现早于核酸检测阳性的情况。作为一种非侵入性成像方法，CT影像可呈现出与新冠肺炎相关的肺部病变特征（如磨玻璃影、实变、双侧受累、周围和弥漫性分布等）。然而CT在新冠肺炎和其他类型的肺炎之间的病灶影像征上有一定程度的重叠，增加了影像科医生的区分判定难度和诊断时间。科亚医疗研究团队此次运用AI深度学习技术，创新性地开发并设计出的COVNet就很好的解决了上述问题，COVNet具有强大的CT影像特征提取能力，对新冠肺炎、社区获得性肺炎的鉴别准确性高。可以从肺部CT中提取各类影像特征，自动将新冠肺炎患者从其他患者中鉴别出来。在提高图像展示质量的同时，帮助临床医生及早确诊感染患者，大幅提升一线医生诊断效率，优化新冠肺炎筛查流程，实现高效精准筛查、降低医生工作强度，合理分配医疗资源的作用。科亚医疗3注重技术应用 成果展现价值据悉，科亚医疗是国内首个人工智能三类医疗器械注册证获证企业，并以满足真实医疗需求为导向，一直专注于大数据和人工智能技术在医疗领域的落地应用，其获证产品“深脉分数”更是获得了国家药监局“具有重大的经济效益和社会价值“的定调评价。此次科亚医疗正是凭借其科研团队在人工智能及医学影像领域的长期积累和技术优势，在疫情期间配合国家号召，火速研发了“新冠肺炎智能辅助诊断系统”驰援前线的影像科室，捐赠到湖北、广东、四川、山东等地区多家医院使用。近日，随着新冠肺炎疫情全球蔓延，科亚团队正在同欧美数十家医院、影像中心等展开密切合作，推进产品本地化与快速落地，展现了中国人工智能技术应用开发的速度与实力。

AI 正在对医学成像领域深度渗透，这已是业内共识。根据市场调查公司 Signify Research 报告，包括自动检测、量化、决策支持和诊断软件在内，全球医学影像 AI 市场在 2023 年将达到 20 亿美元。如今除了通用电气公司（GE）、西门子和谷歌等大公司，大量的新创公司正在涌入到这个领域来。图：全球医学成像软件的收入预测（Signify Research）。然而，很少有人能看清渗透将如何发生。4 月 16 日，一篇题为《医学影像 AI 路线图》的报告在业内顶级杂志《放射学杂志》（Radiology）上发布。这份攸关医学影像 AI 应用未来发展方向的路线图，厘清了未来数年医学影像 AI 可能重点突破的技术主题，应为业内重点关注。它是 2018 年 8 月一次研讨会的成果，当时美国国立卫生研究院、北美放射学会 (RSNA)、美国放射学院 (ACR) 和放射学与生物医学成像研究学院在华盛顿特区联合主办这次会议。路线图指出了 5 个关键主题：1）图像重建：如何从源数据生成适合解释的图像；2）图像自动标记和注释：从临床影像、电子档案和结构化图像中提取信息；3）临床影像机器学习新方法：包括定制的、预先训练的模型架构和分布式机器学习方法等；4）机器学习人工智能方法的解释性；5）图像识别和数据共享：以促进临床影像数据应用和学科发展。如何解读这份路线图？这份路线图对于下一步的医学影像 AI 应用有多大的指导价值？为此 DeepTech 专访了路线图作者之一、美国纽约伦斯勒理工学院讲席教授王革。DeepTech：为什么放射医学更热衷 AI 应用？王革：这和图像性质有关。在医院，成像技术会产生大量的图像数据，而图像数据分析正是 AI 相对成熟的技术。医学成像相当于是现代医学中的眼睛，可以把人的五脏六腑看得一清二楚。无论做手术，还是开药方，或者是放疗都离不开图像。所以人工智能介入进来理所应当，于是就变成了很热的一个领域。此外，在医疗数据里边，断层扫描图像应该是最精确的数据了，因此利于 AI 研发。其他如电子病历或者是保险数据可能都会有较大误差，这也让医学影像领域在 AI 方面走得较快。不过那些不太精确的数据并非没用，如果这些数据分析和精确的图像数据结合起来分析，就会让医生有一个整合性的更精准的决策。图：ImageNet大规模视觉识别挑战错误在过去6年中下降了8倍以上，2017年低于3％，好于人类错误率5%的表现。尤其是2012年引入深度学习后，识别准确性大大提高。DeepTech：AI 在医学影像中的应用达到了什么阶段，是否还处于初级阶段呢？王革：是的，还是初级阶段。比如说图像重建的问题，现在 AI 用在医学图像品质提升方面进展稍微快一些。比如说，对于一张模糊的医学影像，我们可以增强它的清晰度。原来用经典的 CT 影像分析方法可以将清晰度增强 30% 左右，现在我用深度学习分析 CT 图像或核磁共振图像，能增强 100% 甚至到 200%。这个进步是显著的，但还需深入研究与严格检验。图像增强对病患者是有实际收益的。比方说 X 光 CT 筛查癌症。因为大部分来体检的人是没有癌症的，在这个过程中人们会担忧 X 射线的安全性。因为 X 光照射本身可能会引发基因变异以及增加癌变的可能性。尽管这个可能性很小，但是毕竟让人们有所顾虑。在这种情况下，我们就考虑用比较少的 X 光剂量来做癌症筛查。问题是把剂量减少之后，就会得到背景嘈杂的影像。那么我们可以用机器学习来减少低剂量照射的噪音和伪影。也就是说，低剂量照射得到的原始图像是模糊的，有噪音的，经过机器学习处理这个图像就变得清楚了。这也是 2018 年 8 月 NIH 会议说的第一个要点，低剂量造影图像的重建。图像重建是机器学习的一个新领域。我们正在和 GE 合作研究基于 AI 的 CT 图像的重建。另外，如何审批这类应用产品还没有明确规则。美国 FDA 正在考虑这个方向。AI 研究结果看着很好，但要是用到病人身上，万一有失误怎么办？而且 AI 产品的监管和传统产品监管不一样，以前的产品的发布和修改是很明确的，但是 AI 产品是交互式的和自适应的，它会不断从现实环境中学习迭代，因此给 FDA 监管带来新挑战。所以说，AI 在医学影像中距离广泛应用还有工作要做。在非医学图像数据库 ImageNet 大规模 AI 识别中，错误率已经低于人类的错误率。这是机器学习的结果，而错误率的降低对患者的健康至关重要。要知道，诊断错误造成了不少病患者死亡，而放射科医生的读片常有错误。在某些特定的图像识别中，现在人工智能已经超过人类了。将来机器一定程度上甚至是很大程度上会取代医生来读片。我认为这正在发生或迟早会发生。DeepTech：AI 将来能全面取代医生吗？王革：至少目前看我们还不能完全让机器来做复杂的处理，现在的 AI 还有可解释性、鲁棒性（即系统稳定性）等在医学影像领域尤其重要的问题需要解决。AI 的介入希望能提高医生的诊治效率。我认为，最终这样的半自动化技术会在很多场景下变为全自动。也就是说，在一些特定场合取代医生是可以实现的。一些很常规的分析，比方说骨头在 X 照射中看得很清楚。机器分析会明确诊断出有没有骨折。这种情况下，我觉得医生就可以相信机器。那么，医生的重要性怎么体现呢？在整个诊断过程中，将来医生的角色可能更宏观一些，进行一些有创造性、有想象力的分析。DeepTech：你刚才说医学影像的 AI 发展还是初级阶段，那么路线图是如何描述下一个阶段要解决的问题的？王革：这份路线图是行业专家告诉美国相关机构下一步要怎么走，侧重的是接下来几年要关注的要点以及可实现的改进，而不侧重 AI 的远景。除了刚才说的图像重建问题，还有一个当前重要的问题是黑匣子问题，就是说机器学习的可解释性。医生可以和患者沟通病情、病因以及诊治的依据，但机器学习只会给出一个结论，这不容易让患者放心，会让人感觉把自己完全交给未知了。但这其实也是一个进步，以前患者只能听到医生的判断，现在患者还能听到 AI 的判断。我们现在正与 IBM 合作研究神经网络可解释性的问题。另外一个问题是图像数据库。机器学习需要用大数据，来保证训练分析是合理的。还有外国的数据库拿到能不能用，要不要监管部门来审批，公司能不能开放数据，这都是问题。再一个问题是硬件。机器学习用到大量的数据，所以对硬件的要求越来越高，尽管这几年硬件在快速升级，但对于普通机构可能就要负担不起。还有，数据库会涉及病患者隐私，现在机器学习可能猜出患者的身份信息。对于隐私问题，我们可以借助于模拟计算来解决。比如用 10 个病人的图像，根据特征随机构造出一个新的患者（他不是这 10 个病人中的任何一个）。然后，我们用这个模拟患者来训练分析，这样就规避了数据隐私的问题。当然这个也会有弊端，它毕竟不是实际的病例，这就需要强大的数字模拟能力。DeepTech：目前美国的医学影像数据库足够大了吗？还需要哪些完善措施？王革：美国有一些公开的数据库，但更多数据库是不让别人用的。医院出于隐私的考虑很少开放其数据库。他们担心病人的诉讼。如果要把病人的身份信息去掉，以及标注这些数据，要花大量的时间精力。DeepTech：你怎么看待中国在这方面的研究？王革：中国国内的应用研究很好，前景广阔。但源头创新比方说神经网的基础理论以及硬件芯片还是落后的，这方面定会进步。DeepTech：你怎么看待美国 FDA 去年批准了 AI 在糖尿病视网膜病变中的应用？怎么看待医学 AI 商业化发展趋势？王革：因为视网膜图像是两维的，相对比较简单，不像那种三维的甚至动态的图像分析那么复杂。另外糖尿病视网膜病变数据也比较丰富，又不是那么隐私敏感，所以这类应用已有很好的结果，甚至在智能手机上就能使用，很贴近老百姓。我觉得发展都是从易到难。将来 AI 能不能精准地预测心脏病，预测中风以及癌症，就要一步一步来。我们和康奈尔大学在心脏疾病方面有些合作。对于放射影像而言，放射科的主流机器都是由大公司来做。我们从两年前开始与 GE 合作人工智能成像方面的研究。而 IBM 侧重于大数据和推理，属于自然语言理解分析。有人说自然语言理解的进展没有图像领域进展大，但是我认为这事也不能急，时机成熟自然就会有好的结果。王革（右）于2014年当选美国科学促进会会员。王革（Ge Wang），美国纽约伦斯勒理工学院（RENSSELAER POLYTECHNIC INSTITUTE）的讲席教授（Clark & Crossan Chair Professor），也是生物医学影像中心主任。他于 1982 年毕业于西安电子科技大学电子工程系，于 1991 年和 1992 年在美国纽约州立大学获得硕士和博士学位，现为 IEEE、AAPM、AIMBE、SPIE、OSA，和 AAAS 多个国际学术组织的 Fellow。他专注于 X 射线计算机断层扫描、光学分子成像、多尺度和多模态成像、机器学习等方面研究。他的团队在医学成像方面进行了一系列开拓性的研究工作，提出了螺旋状锥束 CT 重建、自发荧光断层成像、CT 内重建理论和方法等。他发表了 450 多篇期刊论文，主持多个大型 NIH 和 NSF 项目。其团队与哈佛、斯坦福、康奈尔、MSK、UTSW、耶鲁、GE 全球研究中心、 Hologic 和 IBM 等均有活跃的合作。