医学影像硕士论文

36氪获悉，阿里达摩院机器智能实验室有关冠状动脉中心线提取的论文已被国际顶级医学影像会议MICCAI 2019提前接收。阿里方面称，其提出的判别式冠脉追踪模型，可从影像中迭代搜索完整血管，正确区分冠脉与静脉。阿里AI无需人工交互，仅用0.5秒就能提取单根冠脉血管，提取完整冠脉树用时不超过20秒。

【AI WORLD 2017世界人工智能大会倒计时29天】大会早鸟票已经售罄，现正式进入全额票阶段。还记得去年一票难求的AI WORLD 2016盛况吗？今年，百度副总裁、AI技术平台体系总负责人王海峰、微软全球资深副总裁，微软亚洲互联网工程院院长王永东等产业领袖已经确认出席大会并发表演讲。谷歌、亚马逊、BAT、讯飞、京东和华为等企业重量级嘉宾也已确认出席。南澳大学的放射科医师、医学专家，在阿德莱德大学与公共卫生学院攻读医学博士学位的 Luke Oakden-Rayner从今年5月开始就在追逐医疗AI领域的发展，他写了一系列的博客来介绍这一领域的最新进展，目前更新到第三篇，其系列博客的名字就叫《人类医学的终结 - 医学AI研究最前沿》（The End of Human Doctors – The Bleeding Edge of Medical AI Research）。他这一系列博客的文章将主要讨论：机器会不会在短时间内取代人类医生。他说，这些文章将会深入到医疗自动化的最前沿研究中。此前许多关于医疗AI的文章中，我们简单地假设深度学习可以将医疗的任务自动化，这么做是有意义的，因为这样我们就能获得一大堆的概念和定义，但是，在这篇文章中，我们首先要对这一说法进行一下论证。接下来，会讨论医疗AI所面临的阻碍，此前许多讨论都集中在外部的障碍，比如监管和自动化的普及率。但是我们甚至都没有触碰到最本质的问题——技术上的挑战，它可能会减缓AI对医生的替代。在前面的三篇文章中，他列举了他认为深度学习在AI领域的两大里程碑式的研究，分别标志着这一领域所取得的第一和第二个大突破：谷歌发表在美国医学会杂志（JAMA）关于糖尿病视网膜病变的研究和斯坦福大学的研究者在2017年发表在Nature杂志上的研究“达到皮肤病学家水平对皮肤癌的分类”。此外，他还介绍了一些“小的但是不容忽视的”研究，比如“高分辨率乳腺癌筛查与多视角深卷积神经网络”和“检测巨细胞病变图像上的癌症转移”。通过这些最前沿的研究，他总结出了医疗AI领域的6 大特征（问题）：医学影像提出了大多数其他图像分析AI不必面对的特定问题。其中之一就是“瓦力在哪里”的问题：图像通常是海量的，但疾病的特征通常是小而微妙的。在医疗任务中，通过丢弃像素来压缩图像可能会损害性能，这意味着预训练不适用。巨大的图像带来了技术上的挑战，因为深度学习的硬件很难匹配其需求。解决这些挑战的一个方法是通过基于补丁的训练，但是这会成倍地增加数据集收集的时间和成本。临床人群的低发病率意味着我们通常需要庞大的数据集才能找到足够的阳性病例。就算这些数据集本身已经存在，这也会大大增加成本。医学AI系统在某些特定方面比人类专家更灵活，即使水平达不到人类的层次，但也可能是有用的。以下是Luke Oakden-Rayner的博客文章内容，以第一人称方式呈现：医学深度学习的第一个大突破第一部分，我们将会对一个研究进行深度的解读，这绝对是一项最先进（state of the art）的研究。首先，我想提醒大家，从2012年开始，深度学习才成为一种可应用的方法被使用，所以，我们在医学中使用这一技术的时间还不超过5年，并且，要知道，医疗人员在技术上的反应通常会慢半拍。有了这些前提，我们会发现现在取得的很多结果都是令人难以置信的，但是，我们也必须承认，这仅仅是开始。接下来，我会对一些明显代表作医疗领域自动化取得突破的论文进行解读，同时会补充一些有用的对话。除了介绍论文，还会讨论以下几个关键要素：任务：这是一个临床的任务吗？如果这一工作被自动化，有多少医疗从业者会被颠覆？为什么这一任务会被选中。数据：数据是如何收集和处理的?它如何遵守医学审查和监管要求？我们可以更广泛地了解医疗AI的数据需求。结果：它们与人类医生相比能力如何？它们究竟测试了什么？我们还能收集更多的什么?结论：这一研究的重要性在哪？可扩展的地方在哪？第一个论文。谷歌发表在美国医学会杂志（JAMA）关于糖尿病视网膜病变的论文。（2016年12月）任务：糖尿病性视网膜病变是致盲的主要成因之一，主要由眼睛后部细小血管损伤引起。这是通过观察眼睛的背面，可以看到血管。所以这是一个感知任务。他们训练了一个深度学习系统，执行与糖尿病视网膜病变评估相关的几项工作。文章标题中所提到的结果是评估“可参考”的糖尿病性视网膜病变，其正在检测中度或更差的眼睛疾病（该组患者的治疗方式与“不可参考”眼病患者的治疗方式不同）。他们还评估了识别严重视网膜病变并检测黄斑水肿的能力。数据：他们对13万个视网膜照片进行了训练，每个级别由3到7名眼科医生进行评估，最终的标签以多数票决定。图像来自使用各种相机的4个位置（美国EyePACS和3家印度医院）的康复临床数据集。网络模型：他们使用了Google Inception-v3深层神经网络的预训练版本，这是目前使用最好的图像分析系统之一。预训练通常意味着他们已经接受过训练的网络来检测非医疗物体（如猫和汽车的照片），然后进一步对特定医学图像进行了训练。这就是为什么网络只能接受229 x 299像素的图像。结果：这篇论文我认为是医学深度学习的第一个大突破。他们的AI系统获得了与单个眼科医生相同水平的表现，在于眼科医生的平均水平相比时，也不落下风。图：彩色的点是人类眼科医生，黑线是谷歌的深度学习系统。与人类以上相比，他们的系统在检测黄斑水肿上做到了相同的水平，但是在更严重视网膜病变绝对值（AUC值）上要差一些。关于这一研究的10点总结Google（和合作者）训练了一个系统，以检测糖尿病视网膜病变（其导致全世界5％的失明），系统的表现与一组眼科医生的表现相当。这是一个有用的临床任务，这可能不会节省大量资金，也不会在自动化的时候取代医生，但具有很强的人道主义动机。他们使用130,000个视网膜图像进行训练，比公开的数据集大1到2个数量级。他们用更多阳性的案例丰富了他们的训练集，大概是为了抵消训练对不平衡数据的影响（一个没有共识性的解决解决方案的问题）。由于大多数深度学习模型都针对小型照片进行了优化，所以图像被大量采样，丢弃了90％以上的像素。目前看来，我们还不知道这是不是件好事。他们使用一组眼科医生来标注数据，很可能花费了数百万美元。这是为了获得比任何单个医生的解释更准确的“真正的真相”。第5点和第6点是所有当前医学深度学习系统的错误来源，而且人们对这些话题知之甚少。深度学习系统比医生有优势，因为它们可以用于各种“操作点”。相同的系统可以执行高灵敏度筛选和高特异性诊断，而无需再训练。所涉及的trade-off是透明的（不像医生）。这是一个很好的研究。它在可读性上是令人难以置信的，并在文本和补充中包含了大量有用的信息。该研究似乎符合目前FDA对510（k）法案的要求。虽然这项技术不太可能要通过这一手续，但是该系统或衍生物完全可能在未来一两年内成为临床实践的一部分。第二篇具有代表性的突破性研究是斯坦福大学的研究者在2017年发表在Nature杂志上的研究“达到皮肤病学家水平对皮肤癌的分类”。任务：皮肤科是主要专注于皮肤病变的医学专业。他们处理皮肤癌（美国每年10,000人死于该病）和其他全身性疾病的肿瘤，皮疹和皮肤表现等系统疾病。作者训练了深度学习系统，用于执行与皮肤科实践相关的几项工作。标题的结果是对“需要活检”病变的评估，这是鉴定可能患有皮肤癌并需要进一步处理的患者。他们还评估了直接从图像中识别癌症的能力，以及一项更复杂的任务，试图诊断病变亚组。数据：他们从18个不同的公共数据库以及斯坦福医院的私人数据中训练了13万个皮肤损伤照片。不幸的是，这篇文章并没有说清楚数据来源及如何构建，所以我真的不知道训练标签是什么。在论文中，他们将数据描述为“皮肤科医生标注的”，但也提到了各种位置的活检结果。我想我们可以假设，这个数据的大部分是被单个皮肤科医生标记，没有活检结果。网络模型：同第一个研究。结果：本研究是我认为医学深度学习的第二个重大突破。他们比大多数单个皮肤科医生以及他们提供的比较的皮肤科医生“平均”水平获得了更好的表现。关于这一研究的8点总结1.斯坦福大学（以及合作者）训练了一个系统来鉴别需要活检的皮肤病变。皮肤癌是浅色皮肤人群中最常见的恶性肿瘤。2. 这是一个有用的临床任务，是目前皮肤科实践的很大一部分。3.他们使用13万个皮肤病变照片进行训练，并且用临床上典型的阳性病例丰富了他们的训练和测试组。4.图像被大量采样，丢弃了大约90％的像素。5.他们使用“树实体论”组织训练数据，通过培训来提高其准确性，以识别757类疾病。这甚至在更高级别的任务上改进了结果，如“这种病变需要活检吗？6.他们比单个皮肤科医生能更好地识别需要活检的病变，具有更多的真阳性和较少的假阳性。7.虽然可能存在监管问题，但该团队似乎已经有一个有用的智能手机应用程序。我希望在未来一两年内可以为消费者提供这样的东西。8. 对皮肤病的影响尚不清楚。至少在短期内，我们实际上可以看到皮肤科医生的需求不断增加。最后，Luke Oakden-Rayner总结说，我认为这些研究是突破性的，事实也说明了这个问题，两个研究组似乎都在研究初次发表后六个月内临床测试了这些系统。谷歌的视网膜病变研究实际上已经完成了初步的临床试验，并正在印度推出系统，旨在解决受过训练的眼科医生处理糖尿病眼病短缺的问题。斯坦福大学皮肤科组正在建立一个智能手机应用程序来检测皮肤癌。医疗是最容易受到AI影响的行业，独立的AI诊断中心前景可期普华永道刚刚发布了名为“探索 AI 革命”的全球AI报告，特别推出了“AI 影响指数”，对最容易受到 AI 影响的行业进行了排名。其中，医疗和汽车并列第一位。AI影响评分从1-5（1是最低的影响，5最高），医疗和汽车都是3.7分，并列第一：而实际上，从 2011 年开始，医疗领域一直高居 AI 行业应用前列。CB Insights 曾发布过 AI 应用的“行业热图”，可以直观地看出智能医疗的火热程度。从全球范围来看，IDC 在其《全球半年度认知/人工智能支出指南》中将医疗人工智能统列为2016年吸引最多投资的领域之一，并表示在未来五年内，包括医疗人工智能+诊断和治疗系统的使用案例将获得最大的发展。在五年期间，它预测医疗健康人工智能投资的年复合增长率为69.3%。国内，根据亿欧智库的相关研究数据，截止至2017年8月15日，国内医疗人工智能公司累积融资额已超过 180 亿人民币，融资公司共 104 家。说回到普华永道的最新报告。该报告以“基于数据的诊断支持”作为智能医疗的高潜力用例，认为“人工智能最初可能被作为人类医生的辅助来采纳，而不是替代人类医生。这将改善医生的诊断，但此过程也为 AI 学习提供了有价值的见解，让其可以不断学习和改进。人类医生和 AI 驱动的诊断之间的这种持续的相互作用将提高系统的准确性，并且随着时间的推移，人类将有足够的信心完全授权 AI 系统进行自主操作。”实际上，这一美好前景已展现出了些许萌芽。如依靠计算机视觉的智能医疗影像识别，已经随着深度学习等技术的使用，来到了“超越人类水平”的临界点。同时，2017 年 8 月，国家卫计委在新闻发布会上也传达出一个重要信息：将在已有的 5 类可独立设置的医疗机构上，再增加 5 类独立设置的医疗机构类别（包括病理诊断中心、康复医疗中心等等）。随着支持社会办医的政策落实，医疗的“牌照”价值正在下降，未来很有可能出现独立的 AI 诊断中心，直接为患者提供诊断服务。智能医疗是否达到超越人类水平的临界点？看大咖怎么说将于2017年11月8日在北京国家会议中心举办的AI WORLD 2017世界人工智能大会特设智能医疗论坛，并邀请到来自谷歌、卡内基梅隆大学、康奈尔大学等多位相关领域的专家和创业者，就“医疗 AI 在哪些方面已经或即将超越人类医生”、“独立的AI医疗系统何时能够出现”等问题进行展望、分享。智能医疗的真实发展现状如何？技术瓶颈何在？未来最有潜力的应用是哪些？请来世界人工智能大会智能医疗论坛寻求答案。我们隆重为您介绍首批确认的智能医疗论坛演讲嘉宾，他们是：谷歌资深科学家韩玫；美国卡内基梅隆大学计算机学院计算生物学副教授马坚；大数医达创始人、卡内基梅隆大学计算机学院暨机器人研究所博士邓侃；康奈尔大学威尔医学院助理教授王飞。马坚美国卡内基梅隆大学计算机学院计算生物学副教授马坚， 2016 年1月起担任卡内基梅隆大学计算机科学学院计算生物学副教授，他也是CMU机器学习系的教授。他曾就职于伊利诺伊大学香槟分校（助理教授（2009-2015），副教授（2015））。他的小组研究一直专注于算法开发，以帮助更好了解人类基因组的基本功能和人类疾病如癌症的分子机制。演讲主题：精准基因组数据与智能医疗最新进展演讲概要：互联网下半场，人工智能正在加速数据系统的闭合。医疗和健康数据是其中最重要也是最难获得和解析的一环。从可穿戴设备到IoT，到医学图像、医疗档案和个人基因组信息，如何加速多模态高维数据的整合，推动产业发展，同时又促进个性化普惠医疗，提升民众的健康管理，需要学界和业界的创新性合作。我从基因组数据的最新发展入手，介绍一下精准基因组和智能医疗的进展，并探讨与整个互联网产业创新性结合的可能性。邓侃大数医达创始人，美国卡内基梅隆大学计算机学院暨机器人研究所博士邓侃，上海交通大学本科及硕士，美国卡内基梅隆大学（CMU）计算机学院暨机器人研究所博士，专攻人工智能及数据挖掘。历任美国甲骨文公司（Oracle）主任系统架构师，美国泰为手机导航公司（Telenav）北京分公司总经理，百度高级总监并主管网页搜索和知识图谱。2015年，邓侃创建北京大数医达科技有限公司，旨在将深度强化学习技术应用于医疗健康领域。大数医达对几亿份三甲医院病历，进行结构化解析，构建海量训练数据，并结合临床指南，训练医疗深度强化学习模型。用于实现面向患者的医疗咨询服务，面向基层医生的临床导航服务，以及面向医院和医疗保险的全流程精细化质量控制和成本控制服务。演讲主题：多模态智能疾病诊断系统的四大技术难点演讲概要：北京大数医达科技有限公司实现了多模态智能疾病诊断系统，该系统把 CNN、RNN、Attention、GAN、RL、MCTR、Knowledge Graph 等多种前沿技术融为一体，构建医学智能诊断新体系。本演讲重点介绍该系统以下 4 个方面的技术难点。1. 把多模态数据，都转换成以医疗知识图谱为轴心的语义向量，在同一个参照系下进行相互比较和交叉操作；2. 在知识图谱为轴心的语义向量空间中，融合多模态数据，并使用生成对抗模型提供可行又可靠的质量评估方案；3. 用卷积神经网络技术，从病情描述中提炼病情特征，用聚焦机制，从医学知识图谱中补充相应病理逻辑，优化疾病的诊断与验证；4. 用深度强化学习和蒙特卡洛搜索树技术，给医生推荐最佳后续化验和检查项目，补充病情描述，用最小的代价，找到诊断金指标，提高诊断精度。王飞康奈尔大学威尔医学院助理教授，IBM沃森研究中心顾问王飞，博士，康奈尔大学威尔医学院助理教授，IBM沃森研究中心顾问，法国液空集团研究顾问。曾任职于康涅狄格大学以及IBM沃森研究中心。他于2008年在清华大学自动化系获得博士学位，其博士学位论文“图上的半监督学习算法研究”获得了2011年全国优秀博士论文奖。主要研究方向包括数据挖掘，机器学习技术在医疗信息学中的应用。王飞博士已经在相关方向的顶级国际会议和杂志上发表了近190篇学术论文，引用超过5000次，H指数39。其（指导的学生）论文论文曾ICDM2016最佳论文提名，ICDM2015最佳学生论文，ICHI 2016最佳论文奖，ICDM 2010的最佳研究论文提名奖，SDM 2015与2011最佳研究论文候选以及AMIA 2014转化生物信息学峰会的Marco Romani最佳论文候选。王博士还是Michael Fox基金会主办的帕金森病亚型发现数据竞赛的冠军获得者。王飞博士是2017年国际医学信息学大会（MedInfo）的分领域主席（track chair），2015国际健康信息学大会（ICHI）的程序委员会主席。王博士同时还是AMIA知识发现与数据挖掘 (KDDM) 工作小组副主席。任杂志Artificial Intelligence in Medicine的编委（Associate Editor），Journal of Health Informatics Research的编委，Smart Health的编委，Data Mining and Knowledge Discovery的执行编委（Action Editor），Pattern Recognition编委。已在美国申请相关专利40余项，授权15项。演讲主题：人工智能与智慧医疗——现状、误区、挑战及发展方向演讲概要：人工智能正在改变着这个世界。医疗健康，作为每个人生活中不可分割的一部分，也正在被人工智能改变着。全球的IT巨头，例如Google, Microsoft, IBM，以及国内的IT巨头BAT，都在试图用先进的人工智能技术来提高医疗质量，让每个人变得更加健康。本报告将对目前人工智能技术在医疗中应用的现状做以小结，指出这一领域的常见误区及挑战，进而展望未来的发展方向。韩玫谷歌资深科学家韩玫，谷歌资深科学家。她已发表超过30篇有关视频分析、视觉跟踪、物体检测、几何建模、图像处理、计算机视觉、多媒体处理以及计算机图形学的会议论文。拥有20多项美国专利。加入谷歌之前，韩玫曾是美国NEC实验室研究员。韩玫本科、硕士、博士毕业于清华大学计算机科学与技术专业，并于2001年获得卡内基梅隆大学机器人学博士学位。曾担任3DV 2016，CVPR 2017和ACM Multimea 2017的会议组织主席。更多嘉宾将陆续揭晓，世界人工智能大会门票火热销售中，请点击“阅读原文”抢票。博客地址：https://lukeoakdenrayner.wordpress.com/2017/10/09/the-end-of-human-doctors-the-bleeding-edge-of-medical-ai-research-part-3/【扫一扫或点击阅读原文抢购大会门票】

在这个夏天，经过 4 周的密集训练，600 名来自五湖四海的 DeeCamp 学员接受了来自李开复、张潼、周志华、吴恩达等业内最顶级 AI 大牛导师的「学术+产业」课程培训，共计完成了 50 个 AI 实践课题，具备了解决真实世界问题的能力，共同为 2019 年最酷炫、最有料、最火热的全球最大高校 AI 人才培训项目书写下了浓墨重彩的一笔！8 月 16 日，2019 DeeCamp 人工智能训练营在北京中国科学院大学雁栖湖校区举办全国成果展示暨结营仪式。结营仪式当天，中关村管委会党组成员、副主任翁啟文，中国科学院大学校长助理、经济与管理学院执行院长、创新创业学院院长、继续教育学院院长董纪昌，创新工场董事长兼 CEO 李开复博士，创新工场人工智能工程院执行院长王咏刚，香港科技大学计算机系和数学系教师、机器学习领域世界级专家张潼莅临现场并致辞。中关村管委会党组成员、副主任翁啟文对创新工场在技术创新、科技创业投资、人才培养及国际交流合作上取得的成绩给予了肯定，并表示：下一步中关村管委会将进一步完善中关村创业孵化体系，为创新工场等各类创新创业主体，提供更好的条件，为硬科技项目落地发展营造更优的环境，在此也希望大家一如既往支持中关村示范区建设，共同为北京高精尖的构建贡献力量，最后向奋发向上，积极进取的全体同学表示热烈的祝贺，再次祝贺 2019DeeCamp 人工智能训练营成果展示暨结营典礼圆满成功。中关村管委会党组成员、副主任翁啟文现场致辞中科院大学也是本次 DeeCamp 的协办单位之一。在谈到人工智能的目前发展情况时，中国科学院大学校长助理、经济与管理学院执行院长、创新创业学院院长、继续教育学院院长董纪昌表示：当前，世界科技的快速发展催生出许多前沿交叉领域，其中人工智能作为引领未来的战略性技术，正成为新一轮工业革命和信息革命的核心驱动力。他充分肯定了人工智能在现代科技领域的重要性，同时也表示非常高兴看到来自不同学校、不同地域，有着不同的科学背景、知识、经验和资源的青年精英们聚集一堂，在 Deecamp 学习知识、开阔思维、沟通交流、拓宽视野、开展合作并最终贡献社会。「本届 DeeCamp 人工智能训练营的成功举办便是在前沿科学与创新创业领域校企合作的一个典型实践，我们希望未来双方达成更深度的密切合作。相信学员们在过去的一个月中都学有所得、学有所悟、学有所成，也希望你们要充分认识到科技创新带来的必然发展，在今后的学习和工作中积极探索人工智能带来的无限可能，抓住时代的机遇。」中国科学院大学校长助理、经济与管理学院执行院长、创新创业学院院长、继续教育学院院长董纪昌现场致辞在大会现场，李开复博士高度肯定了 DeeCamp 学员们在过去一个月里的 AI 学习成果，同时表示，虽然同学们在 DeeCamp 训练营的学习结束了，但大家的 AI 之旅才刚刚开始。「当下 AI 正在进入 AI+、去赋能传统行业的时代，是 AI 开花结果的最好时期，这个阶段将会释放大量的商业机会和人才成长机会，是一个千载难逢的好时代，尤其是对我们这群从事 AI 相关研究和工作的人来说。我非常相信一句话，听到的你会忘记，看到的你会记得，真正做过了你才能真的懂得。这次看到了这么多好的演示，也期待跟大家有互动的机会，我相信在经过四周的培训，你们一定能够成为未来的 AI 明日之星，让中国的 AI 产业更上一层楼。」创新工场董事长兼 CEO 李开复博士结营仪式上，由 2019 DeeCamp 学员组成的 6 个项目小组作为代表，现场展示了自己精彩的 Demo 成果，由李开复博士、张潼教授等领衔的学术及产业导师现场予以点评，并为本届 DeeCamp 优胜队伍颁发证书。结营仪式现场大合影50支AI Demo纷纷亮相，十八般武艺样样精通在过去的四周时间里，2019DeeCamp 学员们完成了由 22 家企业发起的 50 个 AI 相关课题，接受了总计 115 位来自企业的技术负责人和工程师的课题辅导。那么在大牛导师们的「精心调教」下，DeeCamp 学员们在四周里究竟收获了什么呢？结营仪式现场，学员们选择用实力说话！最突破——挑战斗地主 AI一直以来，游戏 AI 都是 AI 能力的最高表现形式之一。从 AlphaGo 到冷扑大师再到 AlphaStar，AI 探索的边界一次又一次被重新定义。如今，DeeCamp 学员向新的游戏发起挑战，将目光瞄准斗地主 AI——在短短三周时间里从 0 到 1，成功打造出了一个高成熟度的 AI 斗地主产品。斗地主 AI 项目小组组长张天昊同学现场进行 Demo 展示别看斗地主这个游戏上手简单、颇接地气，但对于 AI 来说，想要与人类玩家对战却不容易，存在较大的学术难度，因为这里要解决的是不完美信息下博弈问题，换句话说，要在无法看见其他玩家手牌的前提下，对游戏中的 14 种合法牌型、13551 种合法出牌、10 的 30 次方的状态空间和 10 的 85 次方的游戏树进行全面考虑。目前，业内对这一问题普遍采用规则模型+搜索的方式，DeeCamp 学员创新性地使用了多模型融合的斗地主 AI，可谓是从「专家中挑选专家」。从技术先进度角度看，该项目史无前例地将游戏领域内的领先核心算法应用到斗地主中；其次，结合 RankSVM 思路，设计了全新的斗地主监督学习模型，实现了玩家出牌行为的模仿；此外，小组设计了多个强化学习模型，并取得了超越已有论文的水平，创新性地使用强化学习进行多模型融合。该项目组组长张天昊同学表示：相较于斗地主界「龙头老大」腾讯使用监督学习做牌型预测，并且基于牌型预测做策略搜索，我们加入了博弈论的思想，使用了 CFR 模型；同时使用强化学习，在试错与探索的过程中，学会斗地主策略；还用了多模型融合的思想，将多个模型的优点结合起来，方案具有扩展性。在有限的时间里，项目团队没有一味追求胜率，而是通过调试做到一个和人类玩家相似的胜率结果，属于陪玩性质，更加拟人化。据了解，当人类与人类对战时，人类作为地主的胜率为 52.4%、作为农民的胜率为 47.8%；而该项目小组研发的 AI 在与人类进行对战时，AI 作为地主的胜率为 58.6%、作为农民的胜率为 41%。01:07那么，看到这里你手痒了吗？是否想与 AI 一较高低？要留意哦，可能正陪你斗地主的「玩家」就是一个 AI 哦！最实用——宠物健康状态评价 AI据统计，截止至 2018 年，全国养狗家庭数已经超过 3400 万，其中以新手主人为主。那么，如何快速地知道宠物的身体状况？对狗狗的肥胖状况实现初步判断进而去优化喂养呢？在这一大背景之下，DeeCamp 学员也开启了一个新的课题——用 AI 来判断宠物的体型状况。「宠物健康状态评价」项目小组现场 Demo 展示计算机视觉技术已经在人脸，形态识别等领域得到了广泛的应用，在此 DeeCamp 学员发出战帖，希望将这种能力迁移至动物身上，用 AI 改善宠物的生活。通过图像识别宠物的健康评价，为人类的」好朋友「建立一个快速可行的体检系统，让主人在家就能知道宠物的状态，尽早为宠物安排合理的生活。具体来看，这个项目攻坚的技术堡垒可以被分解为狗体检测、品种识别、年龄分类、体型度量，解决了体型标签几乎无法获得、不同品种狗的肥胖标准不同、多只狗的照片难以识别等技术难点。创新奇智产品总监童超对于该项目研究成果评价道：宠物健康评价产品非常巧妙地利用计算机视觉和机器学习技术帮助宠物主人尤其是新手「一拍」随时随地了解自己宠物的健康状态，并实现从智能初诊到智能饮食推荐的个性化服务，也直接帮助玛氏为消费者提供更加友好和精准的产品体验通道，实际提升消费者体验和产品转化率，无论从技术创新，产品创新还是商业创新方面，都呈现了诸多亮点和巨大的拓展潜力。宠物健康状态评价 AI 项目组现场互动据了解，该小组的研究成果将应用于玛氏皇家宠物面向消费者的宠物服务与推荐产品中，不仅实现了 DeeCamp 的初心——「解决真实世界的问题」，更是将产品推向市场，为 DeeCamp 合作企业切实助力。而在未来，这一项目的价值也是不可限量。首先，通过传授狗狗主人相关知识，增加了用户购买意向，直接链接到京东的玛氏狗粮商店，为公司直接带来销售价值；其次，这一宠物健康评价产品为玛氏构建更复杂的基于 AI 的宠物线上初诊体系奠定基础，作为全球第一，为在线宠物出诊服务提供行业标杆；另外，该产品小程序具有较强的趣味性，能够吸引用户使用，通过小程序的分享功能，还可以使该产品产生病毒营销的效果；最后，项目收集了大量的狗狗数据支持玛氏的大数据宠物学研究，这些数据和技术同时可迁移至其他宠物或动物的研究之中。最酷炫——AI 真人表情包制作说起表情包，大家都不陌生，它不仅能表达文字所不能表达出来的情绪，还能拉进人与人之间的距离。不过，相信大家手中的表情包不是来自于网络，就是在与亲友聊天的时候保存下来的，很少会自己会做表情包。那么，不如让 AI 来帮我们做做表情包？这不只是一个设想，今年 DeeCamp 学员就这么做了！不仅做了，而且还用开复老师的照片做了一系列表情包！事实上，换脸技术是目前最热门的技术之一。这项技术可以真实还原历史人物的原貌，在直播平台、视频制作上有广泛应用，未来在回忆片、纪录片的制作中也将发挥越来越大的作用。在这个课题中，学员们运用换脸技术为用户制作真人表情包。通过上传真人照片和指定的表情包，可以把真人头像和各种表情结合在一起，产生许多有趣的真人表情。此外，团队还将结合 BigGAN 等技术，使用数百张 GPU 对换脸算法进行改进，提升生成图片的精细度。上面只是本届 DeeCamp 课题中的一小部分。除了刚刚提到的项目之外，还有「AI 识别车辆损伤」、「AI 金融风控」、「3D 医学影像诊断」等最贴近产业一线需求的课题；有「AI 魔镜」、「AI 发型师」、「AI 神笔马良」等生动有趣的课题；也有「定雨神针：提高降水预报时空准确度」、「用人工智能构建一带一路相关项目的知识图谱」这样具有深刻社会意义的课题。Deecamp 学员现场体验兄弟组的 demo项目小组负责人与媒体现场交流结营仪式现场的火爆场面值得一提的是，这些课题全部使用来自工业界的真实数据或案例，深入真实世界场景，感受用 AI 解决真实世界的问题。结营仪式现场还揭晓了本届「DeeCamp 精神奖」、「最佳 Demo 奖」、「最佳应用奖」、「最佳工程奖」、「最佳技术奖」、「最佳创新奖」、「最佳团队奖」等，到场嘉宾向学生代表颁发结业证书并合影留念。DeeCamp三年：规模扩大，能量升级，初心犹在结营仪式现场，创新工场人工智能工程院执行院长王咏刚现场发表主题演讲，分享了创新工场举办 DeeCamp 一路走来的历程及本届 DeeCamp 的整体成果。一城、两城、四城——培养规模化、可复制性人才留下的足迹2017 年，创新工场发起首届 DeeCamp 人工智能训练营，这是一个致力于培养人工智能应用型人才的公益项目，旨在提升高校 AI 人才在行业应用中的实践案例经验，同时推进产学研深度结合。2018 年，DeeCamp 被教育部选中作为「中国高校人工智能人才国际培养计划」两个组成部分之一的学生培训营。今年是 DeeCamp 发起的第三年，依旧延续了 DeeCamp 特有模式——将创造性的前沿工程实践项目，与能够发挥学生自主精神的组织形式相结合；将打通学术和产业边界的知识课程体系，与强大的师资力量相结合；建立可复制、可规模化的人才培养体系，开放相关教学资源。事实证明，从 2017 年、2018 年的 1 个城市，到 2019 年 1 月 DeeCamp 冬令营在北京和南京开展的「双城记」，再到本届 2019DeeCamp 的北京、南京、上海、广州四城同时开营，DeeCamp 正在用实际行动不断印证着人才培养模式的规模化和可复制性。8 月 14 日，南京、上海、广州三地同时开展结营仪式。经过激烈的展示与专业的评比，各地的优秀项目脱颖而出，同时作为代表参加今天在北京举行的全国成果展示及结营仪式。广州营结营仪式现场广州市黄埔区科学技术局总工程师吴云致辞表示：近年来，广州高新区一直致力于发展 IAB 产业，随着人工智能产业培育引进力度的加大，一批 AI 龙头企业正从广州加速崛起，对 AI 产业人才的需求日益激增。在过去，广州鲜少有类似业界大咖集中参与、与 AI 企业界深度结合的公益类人才培训，此次 DeeCamp 训练营落户广州高新区，一个月的训练营让学生们全方位了解了 AI 产业目前的研发方向与水平、以及不同场景下的应用，取得了优异的培训成果，希望能帮助高新区引进和培养人工智能高端人才，进而推动整个粤港澳大湾区人工智能产业的发展。南京营结营仪式照片现场南京经济技术开发区管委会副主任沈吟龙表示：近年来，南京市抢抓人工智能发展的重大战略机遇，促进人工智能同经济社会的深度融合，构筑发展新动能。当前，南京栖霞区、南京经济技术开发区、仙林大学城「三区」正在市委市政府加速发展紫东地区的大背景下，着力打造「中国（南京）智谷」。紫东崛起，智谷先行。截至目前，中国（南京）智谷共落户人工智能企业超过 120 家，引育人工智能领军人才超过 50 名，现有人工智能专业领域研发人员超过 4000 人，人工智能企业年度营收超过 80 亿元。智谷已经成为长三角区域内产业集聚度最高、创新能力最强、产业载体最佳、综合化配套最好的人工智能产业集聚区。创新工场和创新奇智公司自落地南京经济技术开发区以来在技术研发、人才培养、人工智能技术商业落地等方面取得了积极进展，被业界广泛认可。此次「DeeCamp2019 人工智能训练营」的举办，更是架起了人工智能产学研深度合作的桥梁，培养出了一批满足产业需求的人工智能应用型人才。相信随着创新工场和创新奇智与南京经济技术开发区合作的不断深化，将会为开发区、智谷乃至南京市人工智能产业发展、人工智能生态全面打造提供重要的支持。上海营结营仪式现场上海市经济和信息化委员会人工智能发展处负责人表示：近年来，上海致力于推动人工智能技术和产业发展，促进各行业的智能化转型升级，培育发展新动能。自去年起，人工智能已上升为上海优先发展战略，产业发展进入「快车道」，在企业集群、科技创新、智慧应用、生态培育等方面集结了先发优势。近期，全国首个人工智能创新应用先导区、上海国家新一代人工智能创新发展试验区先后在上海启动，示范带动全国人工智能创新发展。本月底，2019 世界人工智能大会也即将在上海举办，打造人工智能国际品牌。此次创新工场举办的 2019DeeCamp 人工智能训练营落户上海，帮助上海 AI 领域的优秀大学生人才全面学习最前沿 AI 技术发展趋势、深入了解当下 AI 产业发展的最新成果，希望能够借此为人工智能企业在沪发展提供更优质的人才、创造更好条件，为上海人工智能高地建设注入新的力量。36人、300人、600人——AI人才培养规模不断翻倍除了开启崭新的地图之外，DeeCamp 也在不断扩大招生规模。2017 年首届 DeeCamp 训练营吸引了国内外近千位高校学生报名，招生 36 人；2018 年举办的第二届 DeeCamp 训练营吸引了来自全球 600 余所高校的近 7000 名高校学生报名，完成了 300 位高校学生的培养。今年，DeeCamp 人工智能训练营学员是从全球 1000 余所高校的超过 10000 名本科、硕士、博士报名生中，层层选拔出来的 130 所国内外高校的近 600 位学生。据了解，今年的报名者涵盖全部 C9 高校、除医学院外的全部 985 高校，及 300 余所国外高校。这意味着，今年的 DeeCamp 学员分布也十分广泛，他们来自 100 余所国内高校及近 30 所海外高校。统计显示，2018DeeCamp 录取人数排名 Top20 的国内高校是：北京大学、中国科学院大学、北京航空航天大学、北京邮电大学、南京大学、上海交通大学、浙江大学、西安电子科技大学、中国科学技术大学、哈尔滨工业大学、中山大学、山东大学、复旦大学、东北大学、清华大学、华中科技大学、东南大学、电子科技大学、同济大学、天津大学；排名 Top3 的海外高校是：University of California, Carnegie Mellon University, University of Southern California.来自五湖四海的学员们汇聚在 DeeCamp，共同开启了四周美好的 AI 奇妙之旅。DeeCamp 学员的日常33位学术+产业导师——聚集地表最强导师阵容2017 年发起之时，DeeCamp 首创了学术+产业「双导师」制度，引入学术大咖和产业大牛组成堪称「奢华」的导师团队，其规格之高是目前国内任何其他训练营都无法比拟的。今年，DeeCamp 结合往年学员体验和课程安排经验，并在此基础上再度升级，设计了一份让所有学员都「怦然心动」的学术+产业课程表。在四周的时间里，经过激烈竞争进入 DeeCamp 训练营的精英学员们接受了「学术课程+产业课程+实践课程」三级课程体系。具体来说，今年的 DeeCamp 课程升级为 12 次学术课程、18 次产业课程、50 个实践课题组成的三级课程体系，知识课程围绕机器学习、自然语言处理、计算机视觉、机器人与自动化、自动驾驶 5 个全球最热的 AI 研究方向展开，实践课题涵盖金融、零售、医疗健康、教育、公益、移动互联网 6 大领域。四周的时间里，DeeCamp 学员们近距离接触到了，由 12 位来自全球顶尖高校的学术导师、21 位来自科技企业的产业导师所组成的奢华导师团队，其中包括两位 AI 世界级专家——张潼教授、周志华教授作为 DeeCamp 科学总顾问，全球知名人工智能专家吴恩达，以及由创新工场 CEO 李开复老师领衔的来自创新工场、华为、路孚特（Refinitiv）、快手、滴滴、追一、旷视、科大讯飞、文远知行、Google 等顶尖公司的产业导师，以及著名科幻作家陈楸帆带来跨界课程。这种与业内大咖对话交流的机会实属难得，课程现场的气氛也都非常火热。香港科技大学计算机系和数学系、机器学习领域的世界级专家张潼人工智能领域世界级专家、南京大学人工智能学院院长周志华上海交通大学特聘教授、博士生导师俞勇吴恩达视频连线授课培养解决真实世界问题的 AI 人才大军AI 作为最具颠覆性和变革性的技术，正不断渗透进社会生产生活的各个方面，对国家政治、经济、文化等方面带来极为深远的影响。但 AI 发展至今，面临巨大的人才缺口和人才机构失衡危机。根据腾讯研究院的全球人工智能人才白皮书显示，2017 年，全球 ML 人才需求是 2015 年的 35 倍。而高盛《全球人工智能产业分布报告》显示：2017 年全球 AI 人才储备，中国只有 5% 左右。而在已有的 AI 人才里，学术人才和产品研发人才比例严重倒挂，懂技术又懂商业化逻辑的人才，更是少之又少。面对这样一个事实现状，创新工场从 2017 年发起第一届 DeeCamp 开始，就秉承着「培养解决真实世界问题的 AI 人才大军」的初心，竭尽所能帮助那些最具潜力、最有活力的 AI 方向学生，让他们能够在学生时期就接触到 AI 产业的真实需求，体验一个真实 AI 项目的实践流程，学习 AI 科技到 AI 商业落地的完整逻辑和方法论，培养学科知识以外的更广泛的 AI 应用技能。换句话说，从最好的学生中，培养更多擅长解决真实世界问题的 AI 生力军。解决真实世界的问题，是 AI 发展的必经之路，也是 AI 能够推动产业变革的根本原因。创新工场举办 DeeCamp 的最大期望，就是从 DeeCamp 毕业的学员们都能在方兴未艾的 AI 产业浪潮中，真正解决来自真实世界各个领域的具体问题，将论文中的 AI 算法打造成一个个成功的 AI 工具、AI 平台、AI 基础架构、AI 产品、AI 解决方案。不过，解决真实世界的问题——说来容易，做起来却极具挑战。一个真实世界的问题，哪怕只是物品识别这么简单的任务，往往都不是一个单独的 AI 算法，或一个单独的 github 开源项目所能独立完成的。只会在 baseline 上提高几个百分点并写出论文的研究员，或者只会调参数的工程师，其实都不足以完整解决真实世界的具体问题。一个简单的物品识别，要考虑训练数据如何清洗、光线的影响如何消除、镜头畸变如何矫正、模型如何更新、在什么样的芯片上做计算、模型如何压缩与部署、内存使用如何优化等诸多工程问题。因此，创新工场特别希望学生们能在 DeeCamp 中，经历一次真正的、贴近产业实战的项目研发流程。在这个流程里，学生们能体验到产业的实际需求是什么，领悟到今后为了成为一个更好的 AI 工程师，应该积累哪方面的技能。为此，每年创新工场人工智能工程院以及诸多参加 DeeCamp 项目的 AI 公司都会根据产业需求，精心设计 DeeCamp 项目实践课题，同时还提供了来自真实场景的真实数据。例如 2017 年的自动驾驶汽车模型项目、对话机器人项目；2018 年的智能机械臂项目、真实场景下的文本识别项目、图片美学评估项目等，都是学生们思考真实世界问题的绝佳案例。今年，DeeCamp 学员们也交上来了一份份令人满意的答卷。DeeCamp不是夏日限定，而是一门AI必修课DeeCamp 的首要精神是自主，放手让学生自我组织、自我管理、自我表现。在训练营期间，学员们充分发挥自主学习、自主成长的精神，不仅顺利完成了课程和实践，还自行组织了 24 场分享会，有 46 位学员进行了分享。分享的主题不仅涉及深度学习、机器学习、对抗神经网络、CV、NLP 等 Ai 相关技术领域，还包含量化投资、摄影、写作、PS、小程序等。同学们在分享、学习，相互激发无限潜能的同时，也结下了深厚的友谊。学员破冰活动DeeCamp 学员参加团建活动此外，DeeCamp 的合作企业在四周时间里，共计开放了 19 场企业开放日、现场工作体验等不同形式的参访交流活动，参与人数累计达 855 人次。广州学员参观创新工场、创新工场人工智能工程院、创新奇智大湾区总部路孚特 Open Day 学员大合影上海华为开放日大合影广州营主题沙龙结营仪式现场，方祖亮同学作为 DeeCamp 学员代表也发表了感想与体会：一个月时间证明了一个事实，DeeCamp 的确是全世界最好的 AI 夏令营，没有之一。「回顾过往一个月的时间，我收获颇丰。第一，老师们高强度、高质量的授课，让我受益无穷，给我打开了一个知识的新天地。第二，我相信不少同学和我一样，从未有一天能够在晚上 12 点半之前睡着，满脑子都是代码、模型，即使躺在床上也是久久不能平静。回顾这二十多天，从充实、紧凑、焦虑、激动、欢喜，这些情绪融合在一起，的确是一段刻骨铭心的经历。第三，一个人的奋斗永远是孤独，而一个团队的奋斗则是精彩、温暖、有力量，1+1 大于 2 的价值就在于此，二十多天建立起信任的桥梁，每个组员找到自己的独特定位，组长组织协调，团队进行运作，每个齿轮完美镶嵌，整个团队发挥出超强的战斗力。」从人工智能训练营发起的第一天开始，DeeCamp 就在竭尽所能地去惠及更多有志于在 AI 领域大展拳脚的优秀人才，为他们提供与业内的大牛导师学习交流、亲身体验 AI 应用项目的机会。事实证明，这些 DeeCamp 学员也正在探索 AI 技术应用这条道路上越走越远。去年暑假，还在念高一的杨乐涵同学参加了 DeeCamp 训练营，那时他才正式开始接触机器学习，踏入 AI 科研领域。今年 6 月，杨乐涵同学拿到了自己的第一块 Kaggle 金牌，同时也成功晋级到了 Kaggle Master，距他第一次正式接触机器学习也才不过一年的时间。杨乐涵曾表示，自己最大的机遇就是 DeeCamp。在这里，他认识了华中科技大学计算机学院何琨教授。「当时我也没有任何学术的造诣，甚至都还没怎么入门，但何老师主动地告诉我她可以带我做科研，于是才有了后面的故事。」杨乐涵同学的经历不是个例，DeeCamp 在对学员个人发展追踪的过程中了解到，往届毕业的学员目前分布在创新工场、微软亚洲研究院、旷视科技、商汤科技、阿里巴巴、腾讯、百度、地平线、大疆、好未来、爱奇艺、UCloud、中科视拓、中科院计算所、创新奇智、北京大学计算语言所、尼尔森、深动科技、猎户星空、英特尔亚太研发中心、拼多多、航天科工集团二院等优秀企业中实习或就业，在 AI 技术的推进与发展中贡献自己的能量。创新工场南京国际人工智能研究院执行院长冯霁表示：「我们看到现在已经有很多的企业反馈说，许多在校生在申请实习或申请专业的时候，他们非常骄傲的把 DeeCamp 经验放到了自己的简历里，这也侧面说明了 DeeCamp 的影响力和重要性。我们有意愿把 DeeCamp 规模做的越来越大，为中国培养更多的人工智能人才。」未来，DeeCamp 将继续砥砺前行，不遗余力地在人工智能人才培养上面挖掘新方法和新思路，为 AI 领域输送最新鲜的血液、提供最坚实的力量。

医生这条路，是一条漫长且无止尽的跋涉，在这条路上，每一个人都是孤独的，每一个人都是坚强的，这条路没有终点没有胜利，只有责任和使命。钟南山、李兰娟、张文宏……那些响量的名字，都是一步一个脚印走出来的。医学，是一条需要终身学习的路，每个人都会在这条路上看到不同的风景。我们不知道会走到哪，但我们都不会停下，这条路很辛苦，但没有人会轻易放弃。这条医路到底会有多辛苦呢，接下来，我将一一告诉你。第一阶段：求学阶段读医学要比读其他专业的时间要长，一般医学专业本科，临床医学、医学检验、医学影像、口腔医学、预防医学等医学类本科要读5年，毕业授予医学学士；本科硕士连读7年，即修满课程后为硕士研究生毕业，获得医学硕士学位。；本科硕士博士连读8年，临床医学八年制称为“本、硕、博”连读，修满八年毕业论文答辩合格获为医学博士毕业证书，同时获得医学博士学位。第二阶段：实习阶段医学院校的学生按国家规定，必须到临床实习一年，才能毕业，这期间在医院就称为实习医师实习医师是拿到了医学院校的毕业证到医院工作，还没拿到医师执照的轮转医师，实习医师都要在医院的各个科室轮转上班，然后科室主任决定是否要人。第三阶段：执业阶段实习结束，医学本科毕业后必须接受为期三年的住院医师规范化培训（简称规培），需要考取执业医生资格证才能正式在医院工作，就为该医院的住院医师。第四阶段：提升阶段成为住院医师后，需要提升自己，考取卫生职称等级，卫生职称等级分为初级、中级、副高级、高级。初级职称是住院医师，中级职称是主治医师，副高级是副主任医师、高级是主任医师。为什么要考取职称？职称的高低直接关系到权限的大小。职称的评审工作可以起到督导青年医生不断进取，逐步提高医疗技术水平的作用。职称的高低直接关系到收入的高低。职称越高，机会越多。频频出现的医患关系“事故”，越来越紧张的医患关系，频繁发生的患者砍医护人员事件，面对着看不完的病人，做不完的手术，容不得一丝马虎，术后恢复更要全程跟踪！一台手术做上八九个小时，一天要做好几台！累到直接瘫在走廊上，医学这条路真的很难，很心酸。我们能看到的，是这个职业的体面，却看不到防护服下的笑容。值班、手术、就诊，检查……每天都有看不完的病人，根据中国医生人均收入调研报告，医生的平均年收入不足8万，更有近60%的医生未获年终奖。至于工作强度，那更是不小，职业病也常常找上门。最后，在此致敬所有的医护工作者们，感谢他们默默的付出！

调研 | 张扬 晴空撰写 | 晴空继AI影像诊断产品在各类赛事中崭露头角之后，近日《自然医学》上刊登的一篇名为《使用人工智能评估和准确诊断儿科疾病》，将以NLP技术驱动的儿科智能辅助诊断推至聚光灯下。AI模型与五组由不同年资医生组成的小组进行PK，AI模型的诊断准确率超过了两组年轻医生。本次论文所述的是依图医疗与广妇儿联合科研团队在NLP领域两年积累的成果。依托三大核心技术，为医院提供从检查到治疗的闭环解决方案从时间维度来看，成立于2016年的依图医疗是一家年轻的公司，但依图科技是国内在计算机视觉、自然语言理解、自然语音识别三大AI核心领域均具备世界级水准的AI企业。作为依图科技在医疗领域的布局者，依图医疗AI技术也是行业中流砥柱。依图医疗于2016年底发布肺癌影像智能诊断系统，此后，陆续布局儿童骨龄、胸部CT、乳腺等领域，形成影像辅助诊断临床智能决策产品体系。从2016年底到2018年，依图医疗与广妇儿深度合作，相继推出包含辅助诊断、预问诊等产品在内的智能互联网医院平台。覆盖临床智能决策和智能互联网医疗平台的依图医疗并没有止步，2018年与华西医院联合打造了人工智能肺癌病种库，用于医院科研以及临床辅助诊断。至此，依图医疗运用计算机视觉、NLP等AI技术，形成临床智能决策（影像辅助诊断）、智能互联网医院平台（儿科就诊流程智能解决方案）、以及医疗大数据智能解决方案三大产品线，为医院多科室提供检查、诊断、治疗、以及科研的闭环解决方案。打通医疗多维数据，三大产品线齐发力临床智能决策系列产品主打AI影像辅助诊断，包括肺癌、儿童生长发育、乳腺X线、乳腺超声、卒中多学科和甲状腺这七款影像智能诊断产品。智能互联网医院平台，即儿科就诊流程智能解决方案，覆盖了98%的儿科常见病，打造AI导诊、AI 预问诊、AI辅诊、AI 随诊等一系列辅助工具，覆盖诊前、 诊中和诊后全链路，旨在优化儿科门诊就医路径。医疗大数据智能解决方案，基于全院级数据构建知识图谱，实现智能搜索引擎，用于医疗数据的处理、分析，当前主要通过构建单病种数据库，提升医生科研效率。同时基于全院多维医疗数据打造的智能病种库，介入临床智能辅助决策，目前已推出肺癌多学科智能诊断系统 ，能够实现风险预测、分型分期、治疗方案建议、预后评估等功能。其中，智能医学影像产品主要是基于影像数据打造，而另外两大产品线则综合了包含单病种、专科病历文本数据，以及影像诊断结果数据在内的与临床诊断、诊疗流程相关的数据。依图医疗副总裁方骢博士表示，只有将全院级数据打通，并按照应用场景需求进行治理和训练，才能为医院提供真正有用的闭环解决方案。主攻三甲医院，全院级解决方案具备竞争优势目前这三大产品线已覆盖几百家医院，其中医疗大数据智能产品布局医院大部分为有较强科研需求的三甲医院，主攻医院科研预算和信息化预算。智能医学影像产品目前处于申请CFDA认证阶段，当前主要在三甲医院试用，未来会逐步向基层医疗机构下沉。当前，AI影像和医疗大数据均处于商业化初步验证阶段，大部分创新性企业专注于其中的一个方向。而依图医疗的思路是打通医院底层数据，从全院级层面出发，覆盖专科诊断、治疗、科研等场景，其中科研场景已有部分营收，从商业化落地角度来看，具备较强的竞争力。而且依图医疗有超过百人的研发团队，以及来自GPS和医疗信息化知名厂商的销售团队，团队产品团队也囊括医学背景人才。综合来看，在技术实力、产品能力、商业推广层面都具备竞争优势。近期，爱分析对依图医疗副总裁方骢博士进行了专访，就依图医疗的业务布局，以及医疗AI在院内场景的落地方面进行深入探讨，现将部分精彩内容分享如下。方骢，依图医疗副总裁，武汉大学学士，UCLA药理学博士，麻省理工（MIT）生物工程硕士和麻省理工斯隆管理学院(MIT Sloan) MBA。曾在世界最大生物制药公司Amgen负责运营管理，曾任上海吉玛生物科技有限公司北美地区执行销售总监。三大核心技术支撑，释放医疗数据价值爱分析：依图进军医疗是出于怎样的考虑？方骢：2012年依图开始在安防领域发力，不管是语音识别、自然语言处理技术，还是CV技术，底层技术架构的能力非常全面。深耕安防及金融多年，在上述领域内取得了辉煌的成就，但这并不妨碍医疗业务成为依图的下一个战略重点，依图坚信AI的未来在医疗，世界级的医疗难题将诞生世界级的解决方案。因此2016年，我们开始了在医疗领域的业务探索，成立依图医疗。目前我们的业务主要集中在3大领域，智能影像、医学大数据智能、互联网儿科产品。2018年6月，以NLP技术、医学图谱和医学语义理解这三项技术为支柱的单病种智能数据库落地华西医院。基于这个产品，依图医疗提出了一个非常鲜明的观点，医疗数据不是AI的基础，AI是医疗大数据的基础。没有处理过的原始数据，只能是数据量大，而不是大数据，无法释放价值。只有经过人工智能解析、处理的医疗数据才能被称之为真正意义上的医疗大数据，只有以此为基础，采用人工智能技术，才能开发出智能科研、临床质控、远程医疗等更多顶层应用。想要充分挖掘中国海量医疗数据的优势，就必须以人工智能为基础，推动临床数据的解析、清洗、结构化，唤醒沉睡的文本数据，打通信息孤岛下的影像数据，建设真正意义上医疗大数据网络，并通过人工智能，充分挖掘医疗大数据的潜在价值，造福更多患者。爱分析：打造单病种数据库，对于数据、技术方面有哪些要求？方骢：依图医疗与华西医院共同发布国内首个肺癌临床科研智能病种库，也是当今肺癌领域最大的肺癌智能病种库。该病种库纳入了华西医院2009年至今收治的病理确诊肺癌患者的全维度脱敏临床数据。通过先进的人工智能技术，以患者为中心，收录肺癌患者的影像、病理、基因检测、病历文本等多维数据，并对这大量非标化、非结构化的临床数据进行清洗、解析与重构，实现可视化、结构化，打造真正的医疗大数据。这样的单病种数据库，能够使科研数据提取效率成倍提升，大大减少了科研流程中的人力劳动，为人工智能肺癌综合诊断应用的研发打下了坚实的基础。爱分析：依图医疗如何看待当前AI影像的应用方向？方骢：分为两个方向，一个是做深，一个是做全，不管是做深还是做全，我们选择产品有两个标准。一个是能够解决临床痛点，临床痛点的定义是，如果不做或者做的很差，会对社会造成严重负面影响。举个例子，我们选择做做肺癌，不做成人感冒。因为感冒可能致死率没那么高，肺癌如果做到早期诊断，能让五年致死率有明显下降，能够救很多人，这是我们衡量的一个标准。还有一个标准是影响的人群要大，同样是做癌症，我们选择了致死率高的病种。但是我们没有一开始就做后端的放化疗，靶区勾画，虽然它在我们的研发管线里面，但是没有作为第一期成熟推出的产品。我们第一期推出的产品是早期癌症筛查，早癌筛查针对的人群就不是临床患病人群，而是高危人群，所以针对的人群特别大。爱分析：举例来说，如何理解做深和做全？方骢：以肺部疾病举例，结节是肺部病灶的一种，而且很大程度上早期肺癌是以肺结节的形式存在的，基于此，依图医疗完成了临床场景的闭环。医生现在看低剂量CT，不仅仅是看肺结节，还要看有没有斑片，有没有炎症，有没有肺部积水，胸膜部分有没有其他病症，也就是看整个肺部位所有病灶。如果一个人工智能解决方案，能够看全肺的，社会价值和商业化价值都会很大。做深，是能够应用于更多的场景，比如能够用在大健康环境中，服务于大样本人口的普适性筛查。我们刚刚发布的AI防癌地图计划，实际上就是从医院的相对封闭的场景，到能够用在大样本人口的普适性筛查。这种情况下，产品服务的对象就是整个民众，不仅仅是服务于医疗机构。此外，通过与爱康的战略合作，依图医疗已经在大健康领域形成非常成熟的解决方案，作为体检套餐提供给更多的人群。不断扩展产品线和应用场景爱分析：依图医疗有儿科全科解决方案和单病种专科解决方案，两者产品开发过程的区别体现在哪些方面？方骢：两者的难点不太一样。肺癌单病种数据库的难点更多的是前期数据的处理，对于医学的理解的难度相比于全科疾病要低一些，比如在做医学定义的时候，只需要肺癌专家就可以完成。但是数据前期处理是比较困难的，因为多源异构数据的处理涉及到很多质控清洗、标注，过程很复杂。而儿科的难点并不在于数据的整理和搜集，难点在于AI技术的综合性。比如，患儿的家长口述症状，要用语音识别技术，转变成文字，接着用自然语言处理技术，结构化、语义理解，再用医学数据库判断疾病。这个过程中需要有交互，通过图片、视频等形式，确认具体症状。因为小孩症状很多都是定性描述，所以产品开发了很多交互，以便能够尽量准确的描述症状，这个很难。爱分析：依图医疗儿科产品具体能够解决哪些问题？方骢：我们的产品需要基于海量病历数据、医学知识库及口述语料库, 应用领先的NLP技术及深度学习算法，做到能够通过对于文本及语音的智能分析进行智能预问诊、智能病史采集以及AI病历的自动生成。针对我国儿科紧张的供求关系，能为患儿及其家长减少就诊等候时间，加强医患沟通，辅助医生精准诊断。依图医疗的儿科智能互联网医疗平台产品线贯穿“预约挂号-候诊-问诊-诊断-取药-疾病康复”全流程。有“AI导诊”、“AI预问诊”、“AI诊前检验”、“AI语音病历”、“AI辅诊”、“AI随访”等多款产品。做到了从端到端的打通，从患者患儿家长描述症状，到出诊断报告的就诊全链路。爱分析：从研发和应用场景来看，单病种数据库和诊断系统之间的逻辑关系是什么？方骢：它们不是并列关系，而是前后关系。先有了单病种数据库，才能在单病种数据库上去孵化智能肺癌诊断系统。因为在单病种数据库上，还需要人工智能算法训练模型，加入专家诊疗经验、更多的临床数据，从而成为可以用于临床的诊断系统。爱分析：打通三甲医院全院数据，打造单病种数据库之后，会通过将模型下沉实现商业模式落地，还是可以在三甲头部医院实现商业落地路径？方骢：单病种数据库针对全国顶级三甲医院，他们有非常强的科研诉求。比如像华西这样的顶级三甲，我们的肺癌临床科研智能病种库能做到业务数据到科研数据的全链路自动转化流水线系统，告别手工导出、手工提取和手工录入，实现诊疗数据精准化结构化，让科研数据制备迈入万量级工业化时代。而且，数据库的意义，绝不仅仅是的某一个需求点，而是可以通过这套系统，孵化出具有CDSS决策功能的临床辅助诊疗系统。即基于海量真实病历数据，结合医学文献、临床知识库等资源，利用分布式存储和计算、自然语言处理、深度学习，神经网络等技术，合作开发面向临床医生的辅助决策系统。完善临床决策支持体系，助力医疗同质化、开展医疗业务协同、可以全面提升区域相关疾病的防治及科研水平。

雷锋网消息，近日，第四届图像计算与数字医学国际研讨会（ISICDM 2020）在中国辽宁省沈阳市召开。研讨会围绕图像计算和数字医学中的一些重要的理论、算法与应用问题进行学术讨论，旨在促进电子信息（包括计算机、自动化与生物医学工程）、数学和医学等领域学者的交流与合作。本次研讨会由国际数字医学会主办，东北大学和中国医科大学联合承办。在12月5日下午举行的“智能辅助诊疗论坛”专场，北京和睦家医院陆菁菁教授向与会者分享了题为《医学影像人工智能研发之管窥：医生的角色》的精彩专题报告。关注公众号《医健AI掘金志》，聊天框回复“报告”，获取陆菁菁教授全文演讲PPT。作为AI技术的前沿观察者与参与者，陆菁菁教授毕业于北京协和医学院，后进入北京协和医院放射科工作，历经住院医、住院总、主治医、副主任医，现为主任医师、硕士生导师，2010年5月至2011年5月为哈佛医学院麻省总医院访问学者。目前，陆菁菁教授担任北京和睦家医院放射科主任。以下为陆菁菁教授的演讲内容，雷锋网作了不改变原意的编辑：陆菁菁：感谢大会的邀请，我今天分享的题目是《医学影像人工智能研发之管窥：医生的角色》。现在医学影像AI的研发方兴未艾，许多产品逐步被打磨以进入临床。同时，一些新的临床问题被提出，亟待进一步研究。医生在医疗AI产品研发中的角色非常多样，可以做最基础的的数据标注，也可以做临床架构的建议，医生还可以是使用者、建设者，甚至是执行者，同时也可以做PI（principal investigator，主要研究者）。那么，医生对于目前AI的产品研究有什么样的评价？作为医生，怎样才能参与到AI的研究中，如何实现双赢的长期合作关系？医生如何看待医学影像的未来？首先，我想分享一下对于近5、6年AI研发的进展，医生秉持着什么样的态度。我觉得医生是有一种微妙的情感变化的。其次，对于医生扮演的角色，我会通过本人以及团队参与的所有AI项目，分享其中的一些体悟。最后，我想给大家提出一些建议，理工研发人员和医生合作时，怎么样才能成为医生的好朋友，让医生成为对项目更有建设性的人。医生态度的转变从这张图，可以很清楚地看到医生态度的转变。从2016年开始，以AlphaGo为代表的深度学习技术，在一部分领域产生了摧枯拉朽的改变。从机器远不及人，到逐渐完全打败人类的成就来看，一些技术狂人认为深度学习将很快取代放射科医生的工作。对于此种言论，医生小小不屑的同时，也很好奇正在发生什么。2018年，由国家神经系统疾病临床医学研究中心宣布举行了全球首场神经影像人工智能人机大赛举行。人类这边，由25名全球神经影像领域顶尖专家、学者和优秀临床医生组成，在两轮比赛中，BioMind分别以87%、83%的准确率，战胜医生战队66%、63%的准确率，人类完败。听到这个消息时，我真的感到了一丝恐慌，怀疑医生是否真的不如神经网络。因为我记不住那么多文献知识，也没有看过神经网络训练那么多的医学图像，也许神经网络真的可以取代我的工作。在我详细了解了比赛以及评分规则后，发现比赛规则既不成熟，也不透明，更像是一个商业广告的炒作。在过去的两年里，我们发现人工智能确实能做不少事情，比如对骨龄的测试、小结节的诊断，对血肿大小的判断，还有对糖尿病视网膜病变筛查以及前列腺的分割都可以做得很好。但是，AI往往在单任务上表现得非常出色，但能做的多任务范畴的工作非常有限，而且有时候会犯一些很低级的错误。因为人具有抽象和直观的两种判断，看到一个图像感觉不对劲，就会通过仔细研判、结合病史，给出一个有经验的、综合推理后的分析。这就是经验良好的医生和缺乏经验的医生可能存在的一些区别。我认为，人类智能和机器智能目前仍然存在一定的鸿沟。到现在2020年了，医生发现自己能从AI技术中受益良多，比如利用影像组学可以发表很多文章，将AI软件应用在临床当中，例如肺小结节的检测、前列腺的勾画，可以帮助我们减少很多的工作量。我们对于AI秉持着拥抱的态度。在去年的RSNA上，大家一致的观点就是，掌握AI的医生比不掌握AI的医生更加厉害，这是我们医生态度上的转变。我和我的团队参与了很多合作项目，从基础的数据标注、审核，到解剖病灶的勾画。十几年前，我在麻省总医院参加神经影像项目，进行CT图像上的脑血肿勾画，这个项目是想证明血肿扩大速度快的人预后较差。我的工作就是没日没夜的勾画边界。当时我就认为，这个项目可以通过AI对血肿密度高低的边界加以区别。现在，已经诞生了这样的软件。此外，我们参与的其他合作还包括对肺叶、肺段的解剖。第二个，数字人薄层图像，比如2019年重庆的数字人项目。解剖学的老师就希望，建立一个真正的人体断层及其CT图像的关联，我们要帮助他画出这个结构，在CT图上也画起来，然后做成一个网页，作为教学网站或者是科研的基础。这个事情说起来很有价值，但是做的工作还是相当琐碎。另外，我们还有一些参与临床实验的工作。比如，病人在接受靶向药或者免疫治疗三个月以后，医生需要观察病人身上的肿瘤变化，包括多范围肿瘤的大小以及淋巴结的变化。做这些项目时，CRA公司需要招募具有相应资质的医生。比如看妇科肿瘤的医生就只招收妇科肿瘤专业的，而且还要能证明在这个领域具有相当的造诣，发表过相应文章或者在学组担任委员。而医生的具体的工作就是找肿瘤、画大小，然后象征性地得到一定的劳务费。稍微高级别的医工合作，包含了3D打印、盆腔核磁结构的自动识别，相对基础的减影图像比较等等，这也是我们医生可以完成的。另外，还有像田捷教授他们所做的影像组学和影像基因组学。而最高层级合作，就是研究者PI（算法PI和临床PI）的合作。医工结合的四个小故事我就以参加的这些项目，跟大家讲四个故事。第一个故事：3D打印现在CT的图像能扫得特别薄，再加上3D打印技术的出现，这使得打印一个颅骨成为一件理论上很容易的事情。此前，协和医学院解剖学系的主任找到我想做一个3D打印的颅骨模型，给每个学生课余时间进行学习和熟悉。在以前，这样的模型是很难获取的。当然，我们并不想靠非法手段获取数据。解剖学系主任对自己进行了一次CT扫描，图像处理专家拿到之后进行分割。因为骨骼的密度和周围组织相差很大，所以分割起来比较容易。但是颅底有很多的血管孔、神经走向，需要人来一点点抠细节。这个想法很有创意，产品也有一定实用价值，我们很容易的申请了这个专利。实际上，这个脑壳里面的脑子的三维模型不是从CT图像得出来的，而是同一个人的核磁图像，通过脑分割的方法做了个STL的文件，同时合成起来。之后，我们就开始做脊柱的3D打印模型，继续申请专利。我觉得合作的这个项目非常简单，且容易上手、有趣。第二个故事：基于深度学习的盆腔结构语义分割。这是我们源于临床的问题。在协和的时候，我们每天会签100多份CT和核磁的报告，各个专业（头部、胸部、盆腔、骨关节）的都有。上面这一张是经过双侧股骨头层面的盆腔磁共振图像，里面有膀胱及周围各种骨骼和肌肉。如果不是经常看肌肉、关节的医生，常常会对这些结构搞不清楚，比如哪些是缝匠肌，哪块是内收肌，还是长收肌、短收肌；臀大肌、臀中肌、臀小肌区别还好记，其他肌肉时间一长就糊涂了。正常的人体解剖都是一样的，死记硬背就好了。机器学习或者深度学习应该在这些方面发挥相应的作用。提出这个想法后，我和我的学生一起去勾画结构，这很费时。因为，一个病人有20层图像，每层图像上有五六十个结构。如果是手动将结构分割出来，每一套图像就要花费一星期的时间。当时，我们的逻辑是数据越多越好，训练出来的神经网络性能就会更好。最后，我们完成了16个病例，分成了训练集、验证集和测试集，再进行网络训练。训练采用的是注意力金字塔网络，就是数据增广，然后进行卷积、上采样，之后又引入注意力机制。得到的结果还是令人满意的，对比原来的图像，一个是ground truth，一个是对照的FCN的网络，我们所做的APNet网络得到的结构分割，包括臀大肌、臀小肌、股中间肌和内收肌，都比FCN网络要好得多。在定量的mIoU的参数上，加入三重的注意力机制的分割会达到最好的效果。我们还比较了手动分割ground truth和机器分割出来的差异。最后，负责算法的老师投递了大会摘要，并且得到了发表。在2018年第二届ISICDM大会上进行了汇报，并且将数据集贡献给第三届大会作为比赛用数据，我们也因此结识了更多的合作伙伴。但是对我们医生来说，这个研究由于没有后续的算法创新，我们在此基础上做的临床应用的文章比较难发表，这是我们觉得有点儿遗憾的方面。第三个故事：与中科院计算所周少华博士的合作。在拍胸片时，我们会在图像上看到肋骨和肩胛骨，尤其是肋骨，如果重叠在肺纹理上，将会对病灶进行干扰，影响对病灶的观察。我们希望在胸片上去掉肋骨，但一般是没有双能量的胸片，如果有双能胸片，通过能量减影将其减掉。因此，我们用了一个比较巧妙的方法，用非配对的CT结构的prior，算出骨骼的影子，在低分辨率上先做减影，进行上采样以后，在高分辨率上又进行减影，达到一个非常好的效果。如图所示，上面一行是胸片图像，第二行和第三行是U-Net的结果，最下面是我们算法的结果:从传统的图像上，可以看见肺纹理和肋骨是重叠在一起的，经过去骨以后，我们只看到了肺纹理。在钙化的显示上，我们算法的钙化显示就相对清晰，而且骨头抑制的也非常好，但是其他算法的效果就差强人意。另外，我们还拿结核病灶进行了演示。当胸片有骨头挡着的时候，结核灶是什么样的？经过一些不好的减影之后，结核灶显示不太清楚，但是在我们的算法上，骨头被抑制下去，结核灶显示更清楚。医生的工作就是比较不同的算法，比较低分辨率和高分辨率图像，去骨的图像和不去骨的图像，以及不同算法效果下呈现的图像。当时，我们找了有两年工作经验的研究生和十二年工作经验的进修生，分别对这些图像进行了判别。虽然看起来只有99幅图和300幅图像，但是通过不同的组合产生了无数的图像，每个片子大概要花4~5秒，让这些医生进行打分。文章的结果最后发表在IEEE Transactions on Medical Imaging杂志上。另外一个案例是去伪影的算法。算法团队请我们比较图像并进行评价，用的是Excel表，双盲的设计非常好，对伪影去得好坏与否进行打分。在打分时我们发现一些问题：有的算法虽然将伪影去得好，但是把重要的结构也去掉了，比如想看小关节或者想看脊柱里的脊髓，虽然伪影去得很漂亮，但是其中一些重要结构也看不清楚了，但是在我们反馈意见的时候，没有很多人注意到我们的想法和需求。这是未来医工合作还需要进一步提高的地方。如果双方能够更好、更深入的交流，并且将医生的建议放在方法设计的过程中，相信会对文章将来的高度有所帮助，更贴近临床的需求。最后一个故事，是与平安北美研究院吕乐博士进行的长期合作。我们和吕乐博士的团队每周都会花3个小时，在云端会议上讨论目前合作进程中存在的一些问题。比如我会分享放射科医生如何看图像，为什么放射科医生觉得，AI不能像医生一样进行疾病的诊断。这是因为，疾病当中有很多同病异影。不同的病种都可以表现成磨玻璃结节，比如COVID-19可以是磨玻璃的病灶，心衰或者肺梗塞时同样是磨玻璃病灶，所以光看图像是不够的。医生要学习很多基础性的东西，包括解剖、生理、药理、病理等等知识架构，这样才会指导将来的诊断、经验分析以及总结归纳，然后运用于临床。将来，人工智能的开发更需要人类的逻辑对其进行指导。吕乐博士的团队也认识到，在神经网络的构建时，简单加入一些医生的逻辑，有时候会达到非常好的效果。比如对一个图像的鉴别，在Deep Lesion数据集里有很多期的图像混在一起，要挖掘里面的病灶是很困难的。而比如肝癌的特征表现，从动脉期、门脉期到延迟期，是个动脉期会快速增强、门脉期快速廓清的，自有其规律在其中。如果完全混在一起，深度神经网络就很难发现问题所在。所以在训练模型的前期，最好能对图像进行分类，例如哪些是动脉期、哪些是门脉期、哪些是延迟期？我们医生提出的一个非常简单的参考经验就是：看主动脉、门静脉和肾盂里面对比剂的分布，以区分是什么时相。因此，在医生的提示简单总结一个逻辑，对不同时相的图像进行分类之后，课题的进展非常好。医工合作中，那种共同成长的感觉非常不错。医生如何在AI研发中成为良师诤友今年的RSNA2020上，一个叫唐有宝的同学获得了informatics category的最佳论文奖。在他提出的算法里，在病灶的周围点个小点，算法就能够自动测量病灶的最大径和最短径。他为什么会得到最佳论文奖？这是因为，搞研发、药物研究的人都特别认可这件事情。针对药物是否有用的时候，医生经常要做大量、枯燥的测量工作，需要一层层翻图像、一层层测量，以判断肿瘤对药物是否有反应。有了这个算法，我们就可以节省大量的人力。这也是他能拿到最佳论文的原因。另外，我给大家介绍一个很好的研究——Self-supervised Learning（自监督的学习）。之前谈到盆腔的时候，我花费了大概好几个星期，才勾画了十几例的图像，训练网络让它知道肌肉长在什么部位。但是，自监督学习的方法，用一张或者是非常少的图像，就能定位到这个人的肌肉部位。从理论上来讲，人的头、鼻子这些特征，机器很容易学出来。如果这个点放在左侧锁骨的中间，那么下一个人可以同样点到锁骨的中间，一些内在的、很简单的逻辑存在其中。在这个算法里还做了一些验证，比如在不同的图像里。在X光里面做，只用到一张标记的图像就达到了更好的效果。这是一个效果图，有template，然后是ground truth。这是模板，其中有ground truth，预测也在相同部位。自监督学习做到了用非常小的样本做出解剖学定位的效果。我觉得，自监督学习跟人的学习逻辑有点类似。人不用学很多的东西，这是因为人脑有一个内在、全局的观念。利用Deep Lesion做一些病灶匹配的测试。第一次检查、第一次随诊时，AI同样可以定位到相同的位置，这也很有帮助。从医生的角度而言，在对比老片的时候，我们需要知道病灶原来的位置，现在要找到新的病灶并且进行上下匹配，随后进行测量。如果人工智能可以做到，对我们的帮助是非常大的。分数比较高的就匹配得比较好，相反就是不太好的。比如在最左下角的三幅图像上，在左边的腮腺旁边绿圈就是ground truth，但是算法预测却匹配到主动脉弓上了，就得出0.64的分数。在这篇论文中，吕乐博士团队提出的算法既可以找到病灶，也可以匹配病灶。此外，还能测量病灶，我觉得很有帮助。我们见证了这篇文章的发表，也获得了MICCAI、CVPR、RNSA等顶会的摘要，收获非常大。在与吕乐博士团队的合作过程中，我们还有很多反馈建议的机会。他们的服务器部署到我们医院后，我们也会补充进更多的数据集，把我们的使用感受或者研究建议及时地进行交流。最后，我对今天的分享进行一下总结。医生的角色是多样性的，可以是使用者和建设者，也可以是监督者和引领者。医生能做的具体帮助也非常多，从基础工作开始，医生可以提供数据、对数据解剖标注，对图像进行真伪判别，还可以帮助改文章，协助回答医学审稿专家的问题，对算法的开发提出建议，共同把握研究的方向，提出临床问题，将来也可能是临床验证的主要实施者。作为一个很好的伙伴，医生要了解研究的框架和思路，跟随研究的进度，能学习、有知识和更新，可以对研究产生指导，从到达到研究成果的双赢。这是我们放射科医生希望参与的事情。相反，医生不希望仅仅只是成为工程人员获得数据的来源，或者是从事重复性的工作，不了解研究的全貌，我们的想法无法反馈，或者没有可持续合作的长期打算。这些是我们放射科医生不喜欢的。最后，如何选择研究的合作伙伴。理工的PI会选择医生，我们医生做PI在选择对方时也是这样的，要有一些能够匹配研究的知识和能力背景，对共同的研究方向有真正的兴趣。而且，我们希望理工团队能够专注在这个领域。有的PI会有很多的AI项目，如果他的精力不能专注，就很难在一个方向上保证投入的时间和精力。当然在选择partner时，相互尊重、谈得来，也都是非常重要的。用李纯明老师的话来结尾：“‘理工医交叉融合，产学研协同创新’永远是医疗AI领域发展的生命线，只要我们围绕这一根基不断纵深，它所释放出来的能量密度是无穷无尽的。”雷锋网

华中科技大学“三好研究生标兵”是华中科技大学授予研究生个人的最高荣誉称号，要求研究生在政治、思想、品德、学业、工作能力等诸方面表现特别突出，得到师生的一致好评。2019—2020年度华中科技大学“三好研究生标兵”评选圆满落幕，我们华中大的20位"榜样人物"C位出道，让我们一起来了解他们的优秀经历吧！社会学院 刘丹霞我是刘丹霞，社会学院的2018级博士，汉族，中共党员，师从王三秀教授。学习上，我自觉学习党的理论知识，积极参与红色实践教育活动；提升专业素养，扎实学习专业知识。博士期间加权成绩专业第一；已发表6篇学术论文，3篇SSCI一区，3篇CSSCI来源期刊。工作上，2018至2019年我担任社会学院18级博士党支部书记，2019年至今作为社会学院代表担任华中科技大学博士生社区管理委员会委员。角色转换之间，服务同学的热情未减；生活中乐于帮助同学、勇于担当。社会实践上，我主持和参与实践项目6项，包括国家社科基金项目、湖北省民政厅重点委托项目、研究生创新创业项目、研究生实践育人项目等。曾获国家奖学金、校级优秀研究生干部、校级优秀共产党员等荣誉。座右铭：做人如水，做事如山！附属协和医院 曹英豪我是曹英豪，协和医院2019级博士，汉族，中共党员，师从蔡开琳教授。目前以第一作者身份发表SCI论文14篇，共通讯SCI论文1篇，共同第一作者3篇，累计影响因子超过30分；以第一作者身份发表中文核心期刊论文5篇，以第一身份申请专利55项，授权25项，授权软件著作权6项，主持华中科技大学研究生创业基金一项。在校期间多次获得“三好研究生”、“优秀研究生干部”、“国家奖学金”等荣誉称号，2018年获得“三好研究生标兵”称号。同时在2019年全校新生开学典礼上，作为研究生新生代表进行开学发言。疫情期间，积极多次组织班级同学进行抗疫物资捐赠、捐款等事宜，主动参加线上义诊；组织班级同学成立科研小分队，定期召开线上会议参加学校和班级的线上学习经验交流，解决停学不停课问题。目前担任班级党支部书记和德育助理；先后荣获“研究生干部培训班优秀班级”、“红色领航员优秀班级”、“红色领航员优秀营员”等荣誉称号。座右铭：成功的砝码总是会向有准备的人倾斜。材料科学与工程学院 李建宇我是李建宇，材料科学与工程学院的2016级博士，汉族，中共党员，师从吴树森教授。研究方向为纳米颗粒增强铝基复合材料。自攻读博士学位以来，潜心于本方向的研究。目前已经发表SCI学术论文5篇(T类4篇，A类1篇)，EI论文2篇，中文核心2篇，申请发明专利3项（其中2项已授权），并参加国际学术会议2次并做口头汇报。期间，曾担任材控1601班“研究生班主任”，研究生第十二党支部书记等，也曾荣获2018学年、2019学年“博士研究生国家奖学金”，“一等知行奖学金”，“优秀研究生干部”、“优秀团队”、“先进个人”、“优秀党支部”等荣誉称号。座右铭：科研之路漫漫，唯静心钻研，方能上下求索。附属同济医院 蒙信尧我是蒙信尧，华中科技大学同济医学院附属同济医院2018级博士，汉族，中共党员，师从同济医院小儿外科冯杰雄教授。本人在导师的带领下进行高水平的学术研究，目前已发表论文7篇，其中以第一或共一作者发表SCI文章4篇，权威文章2篇。以第二排名作者发表文章在国际顶级期刊Journal of clinical investigation，IF=11.863。本人连续3年担任带班德育助理辅导员的工作。在班级管理、学生思想动态、班级精神文明建设等方面紧密配合辅导员老师进行一系列工作，得到了同学及老师们的广泛认可，多次荣获“优秀学生干部”称号，并荣获2019年华中科技大学“十佳德育助理”及同济医院“优秀共产党员”称号。座右铭：有信念、有梦想、有奋斗、有奉献的人生，才是有意义的人生。土木与水利工程学院 蒋伟光我是蒋伟光，土木与水利工程学院2018级博士，汉族，中共党员，师从丁烈云教授。累计发表SCI论文3篇，其中包含1篇Top期刊论文，获得1项专利授权。曾任华中科技大学学生会副主席，2015年赴湖北恩施来凤县进行了一年的国家西部支教工作。2020年新型冠状病毒感染肺炎疫情期间，作为主要完成人参与到疫情应急攻关项目“公益捐赠服务平台”研发及应用中，先后服务于湖北省红十字会、湖北省慈善总会以及武汉市红十字会应急捐赠款物调度工作，获得华中科技大学五四表彰。曾获教育部科技进步1等奖，华中科技大学优秀共产党员、研究生品德模范、“六有”大学生等荣誉。座右铭：纵浪大化中，不喜亦不惧机械科学与工程学院 杨泽源我是杨泽源，机械科学与工程学院2018级博士，汉族，中共党员，师从严思杰教授，研究方向为机器人加工过程中的多模态信息感知与工艺知识学习，于Int. J Mech. Sci.，Int. J Adv. Manuf. Tech.，Robot CIM-Int. Manuf.等期刊发表SCI论文5篇，其中1作2篇，申请发明专利6项，其中授权1项，登记软件著作权1项。参与国家“变革性计划”重点专项1项，面上基金1项，主持研究生创新基金1项，获机器人创新设计大赛国家一等奖，研究生电子设计大赛华中赛二等奖。在学生工作上先后担任了机械博士1802党支部书记，无锡研究院党支部副书记。个人曾获优秀共产党员，优秀学生干部，优秀党务工作者，无锡研究院优秀学生等荣誉称号。座右铭：天者诚难测，神者诚难明；理者不可推，寿者不可知。公共卫生学院 陈亨贵我是陈亨贵，公共卫生学院的2018级博士，汉族，中共党员，师从潘安教授。学习上，我认真刻苦、精益求精；认真参加理论课程的学习，同时积极参加课题组的现场研究工作。截止目前，在导师的教导和同门的帮助下，我先后在国内外杂志发表论文15篇，其中以第一/共同第一作者身份发表学术论文7篇。入学至今，我先后荣获了5次研究生一等学业奖学金、2018年研究生国家奖学金、2019年知行三等奖学金和2020年硚口创新甲等奖学金；并荣获2017-2018年度华中科技大学“三好研究生”。工作上，我兢兢业业、认真负责。于2018-2019学年担任2018级博士团支部团支书，并被评为2018-2019年度公共卫生学院“优秀共青团干部”和华中科技大学“优秀研究生干部”。座右铭：莫忘初衷，活在当下，全力以赴！武汉光电国家研究中心 王玉西我是王玉西，武汉光电国家研究中心的2016级博士，汉族，中共党员，师从夏金松教授。学术成果方面，目前共发表论文10篇，其中以第一作者或共同第一作者发表SCI期刊论文4篇，包括Science Advances、Nature Communications、Advanced Optical Materials、Photonics Research 各1篇，国际会议1篇，国内会议1篇，已授权国家发明专利1项，以共同作者发表SCI期刊论文4篇。学生工作方面，曾担任武汉光电国家研究中心德育助理和光电子器件与集成功能实验室学生第三党支部书记。个人荣誉方面，曾荣获博士研究生国家奖学金、长飞奖学金、知行奖学金、博士学业奖学金、国光学子奖学金、校优秀共产党员、校优秀研究生干部、校三好研究生、校社会实践先进个人、优秀党务工作者、党建之星等荣誉。座右铭：进学致和，行方思远。电气与电子工程学院 周游我是周游，电气与电子工程学院的2016级博士，汉族，中共党员，师从曲荣海教授，从事磁场调制永磁直线电机和高速永磁电机的本体设计。作为主要参与学生负责国家重大项目、国际重点项目各一项，撰写期刊论文9篇（其中一作SCI论文3篇）、一作会议论文5篇，申请专利7项（其中授权1项）。同时，本人与实验室同学申报研究生创新基金以及参与中国研究生电子设计大赛，荣获全国二等奖。国际学术活动方面，本人创立IEEE IAS华中科技大学学生分会主席、并担任2020年度IAS亚太地区学生分会区域主席。同时本人推进并促成了第一届IEEE中国电气工程国际青年会议，担任大会主席。本人曾担任电气学院研究生会主席，两次获得十佳院系称号。此外，本人还获评华中科技大学十佳党员、优秀研究生干部、获得研究生国家奖学金、光华奖学金、一等知行奖学金、禾望奖学金（企业）、优秀博士学业奖学金等。座右铭:坚守本心，慎始善终。数学与统计学院 李佳阳我是李佳阳，数学与统计学院2018级硕士研究生，2020级博士研究生，汉族，中共党员，硕士师从李红教授，博士师从明炬教授。研究生入学以来，一直以高标准严格要求自己，力求将每个阶段的学习、学生工作做到极致，“不要差不多，盯住最完美”，在这个过程中，我正逐渐成为更好的自己坚持知行结合，不仅很好的完成科研任务，也积极参加各类赛事并取得优异成绩，在实践中检验所学。此外，热心团学工作，现任湖北省学联驻会执行主席，我始终坚信“一个人可以跑得很快，但是一群人才能跑的很远”，于是研究生期间坚持发挥自身作用，为周围同学提供学习、科研、交流、实践的平台，积极带动一波人，去影响一群人。未来，我一定坚持“用眼观察,用心感受,用笔记录,用脑思考”，只要朝着认定的方向不断努力，便能做好力所能及的每一件事情，成为更好的自己，也更好地帮助、服务周围同学。座右铭：道虽迩，不行不至；事虽小，不为不成航空航天学院 陈伟我是陈伟，航空航天学院的2018级博士，汉族，共青团员，师从王琳教授。学习成绩优异，专业排名第1。科研成果丰硕，博士在读期间已经以第一作者身份在Int. J. Eng. Sci., Nonlinear Dyn., AIAA J., ASME J. Appl. Mech., Soft Matter等著名SCI期刊上发表了9篇论文，另有1篇一作英文论文发表在新期刊上，还有2篇一作SCI论文在审稿中；在国内国际学术会议上作过5次报告；已授权1项发明专利，3项实用新型专利。担任土木卓越1701班研究生班主任且该班级荣获2018-2019学年度“优良学风班”荣誉。同时也积极参与体育竞赛，曾与学院的队友们共同获得“博士杯”篮球赛亚军。座右铭：“在学习中夯实基础，在探索中感受乐趣，在实践中实现价值。生命科学与技术学院 张博我是张博，生命科学与技术学院2018级博士生，汉族，中共党员，师从谢庆国教授。我获得2020年全国“向上向善好青年”，2019年互联网+大学生创新创业大赛全国金奖，2019年黄家驷生物医学工程奖技术发明一等奖，2017年湖北省五一劳动奖章。热爱生活，热爱科研，在创新创业的路上不畏艰险，勇克难关，只争朝夕，不负韶华。带领全数字PET系统团队开展高端医疗装备产业化工作，先后申请专利30余项，国际及海外专利15项。2019年团队研制的首台临床全身全数字PET/CT医疗器械，正式获得国家药品监督管理总局的三类医疗器械注册证批准，是湖北省首个大型医学影像装备的医疗器械注册证。该成果入选两院院士评选的“2019年度中国十大科技进展新闻”，并获得中国医学科学院评选的“2019年度中国重大医学进展”。座右铭:人生在于折腾和不断超越。中欧清洁与可再生能源学院 马思杰我是马思杰，中欧清洁与可再生能源学院的2018级硕士，汉族，中共预备党员，师从胡松教授。研究生期间，我学习成绩优异，加权成绩排名年级前5%，获国家奖学金、学业一等奖学金（3次）等多项荣誉。科研方面，本人以第一作者发表SCI论文一篇。授权专利两项。此外承担国家重点专项一项，面上基金一项。学生工作方面，我担任中欧能源学院院文艺部部长与校吉他协会会长（本科），组织校内大型文艺活动多次。作为独立音乐人，创作有《少年路远》等歌曲多首。2020年央企实习期间参与国家可再生能源规划调研项目，撰写风电相关报告多篇，立志将论文写在祖国大地上。生活中，我始终保持一颗热情洋溢的赤子之心，力争在给出一份满意成绩单的同时，做出更多贡献，展现个人价值。座右铭：笑谈少年真年少，常与生人话人生人工智能与自动化学院 孙亚平我是孙亚平，人工智能与自动化学院的2016级博士，汉族，中共党员，师从苏厚胜教授。就读华科以来，我赋予最大的热情投入到生活和科研中。作为一名中共党员，我从未停止过对学习和生活的思考。作为班长，我乐于帮助同学。作为德育助理时，我积极且认真负责的完成自己的本职工作。读博期间，我共获得‘社会活动积极分子’称号2次，‘三好研究生’称号1次，‘知行优秀奖学金’2次，‘国家奖学金’1次。此外，我参与了5项面向国家或省部级重点需求的项目，并表现良好。依托于项目，我发表了9篇文章，获得了1项授权发明专利，并且，我坚信越努力的人越幸运。在未来，我将把我的一生都奉献给我热爱的教育事业和科研事业。座右铭：努力成就梦想，坚持成就未来能源与动力工程学院 张泽武我是张泽武，能源与动力工程学院2017级博士生，汉族，中共党员，师从张立麒教授。本科就读于中国石油大学（北京），2016年保送至华中科技大学能源与动力工程学院煤燃烧国家重点实验室攻读硕士学位，2017年通过硕博连读考核，攻读博士学位，研究方向为煤炭的低碳清洁利用。博士期间以第一作者发表SCI论文6篇，其中一区4篇，二区2篇。申请国家发明专利6项，其中已授权2项。在学生工作方面，2017年9月至今年9月，担任博士班班长。2019年4月，入选校研究生青马班。2019年7月至8月，参加华中科技大学“喻竹计划”暑期社会实践。2019年10月，参加校研究生学讲团。荣获2020年博士国家奖学金，华中科技大学“光华奖学金”2次，“知行奖学金” 1次。并被授予华中科技大学“三好研究生”，“优秀研究生干部”，“优秀共青团干部”等荣誉称号。座右铭：百分之九十九等于零，百分之一等于百分之百。公共管理学院 王巧我是王巧，公共管理学院2017级博士。我从来都不是天赋异禀的学霸，勤奋和努力是我弥补自身短板，走向更广阔人生的密钥；我坚信勤能补拙，深知有自律的自信是人最可贵的气质。在三年博士生涯中，共撰写论文16篇，其中发表并见刊的ESI和CSSCI论文12篇。作为核心骨干参与国家级及省部级课题7项。除此之外，还参加了第六届华中科技大学研究生智慧城市技术与创意设计大赛和中国交通银行杯研究生创新实践系列大赛，并分别获得了校三等奖和全国二等奖的成绩。我还曾任公管研会博士生会副主席，获得过国家奖学金、知行奖学金，优秀研究生等多项荣誉。道阻且长，行则将至，行而不辍，则未来可期。愿如来时不负春光，继续初心野蛮生长。座右铭：勤奋能点燃智慧的火焰，自律能成就真正的自由。药学院 吴灿荣我是吴灿荣，药学院的2018级博士，汉族，师从李华教授。已发表sci论文10篇，第一作者6篇，包括一篇高被引论文和热点论文，获得三好研究生标兵，博士国家奖学金和华中科技大学抗击新冠肺炎疫情先进个人称号等荣誉。践行党中央“把论文写在祖国大地、把成果写在抗疫一线”的号召，全面剖析新冠病毒所有蛋白和人类感染相关蛋白，发现新的抗新冠病毒靶点弗林蛋白酶，构建所有新冠病毒治疗靶点的结构模型，并用人工智能方法筛选抗新冠病毒药物，给新冠治疗药物临床实验提供理论基础，有重要的指导作用；公布所有新冠病毒治疗靶点模型和筛选结果，与全世界科研人员共享，加速抗新冠病毒药物研发的速度。成果发表在我国自己的SCI杂志“药学学报英文版”（一区，专业TOP期刊）和中国预印本网站，引起广泛关注，被国际顶级刊物Nature杂志报道，同时被共青团中央，新华社，央视新闻联播等媒体报道。座右铭：失败只有一种，那就是放弃光学与电子信息学院 张聪我是张聪，光学与电子信息学院的2018级博士，汉族，中共预备党员，师从付松年教授。课程平均加权成绩89.25，专业排名第四，获得2020年国家留学基金委公派留学资格。攻读博士学位期间，发表A类SCI论文6篇，其中以第一作者发表A类期刊论文4篇，其中一篇Optics Letters为发表当月Top Download;以第一作者发表高水平国际会议论文OFC1篇，并做口头报告。以第二作者协助师弟师妹发表A类论文2篇，其中一篇Optics Express为当期Editors’ Pick。获授权国家发明专利一项。攻博期间，参与国家重点研发计划一项，负责其中关键器件制备；参与多项企业横向项目，如华为，长飞等。座右铭：年轻就要多做点事，多看点风景法学院 陈鹏飞我是陈鹏飞，法学院的2020级硕博连读生，汉族，中共党员，师从李长健教授。综合成绩专业第一，前往德国交换一年，曾获国家奖学金，获省部级以上荣誉7项，其中一等奖2项，二等奖3项，三等奖2项。参与国家社科基金重大项目等课题6项，参与国家以及省市的立法工作数次，参与各类大型学术会议30余次，做主题发言3次（包括国外学术会议报告一次），完成2项创新创业项目结题，待发表论文3篇。现任法学院博士生德育助理、法学院博士生准党支部书记、法学院博士班班长等职，曾获校优秀研究生干部等荣誉，组织策划校级以上大型活动17次，前往北京、南京、广东、岳阳等地参与社会实践调研数次。积极参与诸如全国大学生足球联赛等各项志愿活动，并多次被评为优秀志愿者。英语、德语等外语水平良好，已取得国家法律职业资格证书。座右铭:我思故我在基础医学院 雷清我是雷清，基础医学院2018级博士研究生，汉族，中共党员，师从范雄林教授。本人思想端正，热爱集体，博士期间担任副班长一职，协助班长进行班级事务管理。在学习上，勤奋努力，刻苦钻研，博士期间在校加权平均成绩为90.71，班级排名第四。2018年获“三好研究生”，2019年获“知行优秀奖学金”和“优秀研究生干部”，2020年获“研究生国家奖学金”。博士期间，以第一作者在Allergy，American Journal of Preventive Medicine，Journal of Immunology Research，Diabetes & vascular disease research，Journal of Infection and Public Health等期刊上发表SCI共5篇, 并参与多项国自然和国家重大专项项目。座右铭：不忘初心，不负韶华。不忘初心，明确自己读博的最初目标；不负韶华，在最美的年华不断拼搏。“ 榜样是一束光，也是我们前进的方向，追逐梦想的路上荆棘丛生，研究生的生涯难免遇到彷徨，难免遭受挫折与打击。但别灰心 别丧气 别害怕，因为他们也曾和你一样迷茫过，只是咬着牙关 一直坚持，才有了如今的成绩，所以呀 一直奔跑 不停追梦，做个勇敢的追梦人，青春的列车才会一直向前开。让我们向标兵看齐，一起书写华中大的青春篇章！”来源：华中科技大学研究生

许磊晶。受访者供图“我还想着工作后给父母养老，报答养育之恩，却患上了这种病……”现在上海交通大学医学院读研究生三年级的许磊晶是扬州高邮人，优秀的她本有着美好的前途。然而，今年4月底，许磊晶被确诊为“天疱疮病毒性表皮坏死松解症、皮肤性红斑狼疮、鲍曼不动杆菌血症”，目前正在上海瑞金医院接受治疗。昨日，许磊晶的母亲向记者说起女儿的病，泣不成声。家境贫寒品学兼优，当年考入扬中地招班记者了解到，许磊晶家住高邮市新北门大街，是家中的独女。父母均无固定收入，靠外出打零工过日子。许磊晶理解父母疲于生计含辛茹苦，从小就乖巧懂事。小学时，许磊晶就读于高邮市新巷口小学，她学习认真，从不攀比，和同学相处友善。之后，许磊晶一家被政府纳入贫困户的范畴。8岁时，许磊晶不幸被诊断为皮肤型红斑狼疮，父母带着她先后辗转苏北医院、北京市皮肤医院等多家医院治疗，虽然控制住病情，但是家中经济状况越来越差。从小，许磊晶就养成了坚韧隐忍、不甘人后的性格。她立志要当医生，初中更加勤奋努力。功夫不负有心人。2010年中考，许磊晶凭借优异的成绩考入了扬州中学地招班。许磊晶的高中同学告诉记者，那时候并不清楚她的病情，只记得那时的她冻疮严重，脸颊总是红红的，冬天双手更是红肿，粗大的指节让人看着特别心疼。高中期间，许磊晶从未因身体不适而对学习怠惰，勤奋努力，最终高考被徐州医学院医学影像系录取。在徐州医学院，她担任校级、院级学生会干部，每年都荣获大学生记者节作文竞赛一等奖。上海交大医学院研究生在读，本想毕业返回家乡回报父母本科毕业后，通过考研，2018年，许磊晶进入上海交通大学医学院，成为一名科研型硕士生，现在读研三，筹备完毕业论文就能成为一名医生了。许磊晶的研究生同学告诉记者，许磊晶很优秀，有着在大城市拼搏的实力和光明的前途，但她早就和身边同学讲过，毕业后一定要回老家高邮工作，赡养年迈的父母。命运弄人。在临近毕业最后一年的4月底，许磊晶高烧到40摄氏度一直不退。先后辗转上海交通大学附属第一人民医院、上海交通大学医学院附属仁济医院和上海交通大学医学院附属瑞金医院接受治疗，期间严重药物过敏，出现全身皮肤水肿、溃烂、感染。尽管病情凶险，许磊晶还是坚毅顽强地对抗着病魔，躺在病床上的她依旧对未来怀有美好的憧憬，积极配合医生和护士的治疗。目前家庭无收入来源，亟待社会帮助记者了解到，由于病情复杂，治疗费用高，许磊晶的家庭早已无法承受。经许磊晶的热心同学统计，到目前为止，许磊晶花费的总医疗费用已高达119.4万元。这对于本就贫苦的许磊晶一家是天文数字。许磊晶的父母告诉记者，自她发病以来，家里积蓄已消耗殆尽，家庭无房产及车辆、店铺之类的固定资产，住房是廉租房。“许磊晶才25岁，还有太多世间的美好没有领略。”许磊晶的高中同学小徐告诉记者，为了帮她渡过这次难关，高中同学们发起新的一轮社会募捐。如果您想帮助这个女孩，请联系她的妈妈居鹤淦，电话：15052599605。记者　刘冠霖

本内容由【大分享文库 west960.com】整理分享！现代医学影像学涵盖医学领域内所有以显示人体器官和组织的大体形态学信息为目的的检查方式，由于医学影像成像技术的多样化，使得医学影像学成为包含医学、数学、物理学、信息学等多学科交叉融合的学科。下面我们就来学习一下现代医学影像技术论文怎么写。　　现代医学影像技术论文写作的格式，一般有如下一些段落所组成：①题目；②着者（单位及或个人姓名）；③摘要；④关键词；⑤序言（引言，导言）；⑥资料与方法；⑦结果；⑧讨论；⑨致谢；L参考文献。得到有关部门立项及基金资助的，一定要在论文首页脚注处加以说明。　　以上的形式一般是指论着的写作格式。一般篇幅小的论文，只保留：①序言；②资料与方法；③结果；④讨论：⑤参考文献；摘要及关键词免去。报道罕见病例或新发现病例的论文（个案报道），可按下列栏目撰写：①序言；②病例报告；③讨论；④参考文献。　　下面介绍各个段落的具体写法及在写作中应注意的一些问题。　　题目材料与方法、结果、结论的简短、扼要而连贯的重述。一定要把论文本身新的、最具特色的东西表达出来（重点是结果和结论）。摘要的具体写法，目前国内大多医学期刊都以结构式为标准。这是根据1987年加拿大学者的建议，为使读者通过临床科研论文的摘要获得更多的有用信息，给摘要规定结构。如：目的，设计与环境（在什么地方、什么医疗层次进行研究），病人或参与者（包括例数、如何选择及完成研究的情况），干预（包括采取的措施），测试与结果（包括评佑方法），以及结论（包括临床应用）。这种摘要叫“结构式摘要”,一般规定不超过250个字，而“非结构性摘要”（不分栏目的摘要），规定不超过巧0个宇。目前众多国际刊物均采用前者，但简化为：目的、方法、结果、结论4个部分。结果要求列出主要数据及统计学显着性（如果有的话）。　　　论文的题目要求　　　用最简洁、恰当的词反映文章的特定内容，把论文的主题明白无误的告诉读者，并且使之具有画龙点睛、启迪读者兴趣的功能。一般情况下，题目中应包括文章的主要关键词。论文的题目要有特点，指的是要突出论文中特别有独创性、有特色的内容。题目字数不应太长，太长就不鲜明简洁和引人注目，一般要求在20字以内。题目应尽量避免使用化学结构式、数学公式，或不太为同行所熟悉的符号、简称、缩写以及商品名称等。　　　关键词、着者论文的署名是科技论文的必要组成部分，要能反映实际情况，研究工作主要由个别人设计完成的，因此署以个别人的姓名；合写论文的署名应按对论文工作贡献的多少顺序排列，作者的姓名应给出全名。科技论文一般均用作者的真实姓名，不用变化不定的笔名，署名人数不应太多。医学刊物编辑国际委员会规定，有资格当作者的人，应对该项科研有实质性贡献，应具备以下3个条件：①提出思路，进行设计并对所得数据做出分析和解释；②起草文稿或对其重要内容做了认真严格的修改；③最后审核可以发表的定稿。仅参与获得基金或仅参加数据收集的人不能当作者，负责监管科研小组的人也不能当作者，他们只能在“致谢”栏中被提及（经被致谢人书面同意才能在论文中提及）。同时还应给出作者所在工作单位，或详细通讯地址，以便于联系。　　　关键词也叫索引词，主要是为了图书情报工作者编写索引，也为了读者通过关键词查阅想读的论文。我国有关标准（G3B179/T一92）规定，现代科技期刊都应在学术论文的文摘后面给出3一8个关键词。关键词的标引首先要选取猎人《汉语主题词表》和美国医学索引最新主题词表《MesH》（刊于每年第l期）中的规范性词（称叙词或主题词）。对于那些反映新技术、新学科而尚未被主题词表录人的新产生的名词术语，亦可用非规范的自由词标出，以供词表编纂单位在修订词表时参照选用。要强调的一点是，一定不要为了强调反映论文主题的全面性，把关键词写成一句句内容“全面”的短语。　　　序言　　　序言（引言、导言）作为论文的开端，起纲领的作用。主要回答“为什么研究”这个问题。简明介绍论文写作的背景、相关领域的前人研究历史与现状，以及作者的意图与分析依据，包括论文的追求目标、研究范围和理论、技术方案的选取等。序言应言简意赅，不要等同于文摘或成为文摘的注释。如果在正文中采用比较专业化的术语或缩写用词时，最好先在序言中定义说明。　　　　摘要　　　科研论文的摘要是科研论文主要内容（包括研究目的、资料与方法资料主要交代作者用什么具体实验对象（如人或动物及其选择标准等），用什么具体实验方法（包括所用仪器及规格、试剂、药物及批号、操作方法等）来收集数据和验证假说。　　　具体内容：①这部分内容应明确交代实验对象的特征（包括人的年龄、性别、病情）、实验条件和观测指标；交代对象是否真正经随机抽样分组（包括注明具体随机化方法，以及分组后到开始治疗的时间间隔），是否有足够例数，实验组与对照组间的条件是否相同或相似（可比性）等。②实验方法（包括观测指标和观察记录）的描述要区别对待：作者创造的新方法要尽量详细具体，使读者可依此重复验证；文献已有报道的方法，简单提一下并用角码注明，在文末附上文献出处即可；对常规方法作者有所改进的，应详细具体描述改进部分及改进的理由，其余从略（但也要注明原法的文献出处）。实验条件可变因素的控制方法（如放射免疫法的质量控制）要加以详细说明，以显示本文结果的可靠性和准确性。论文中这部分的常见毛病，是以上各项交代不清楚或过多地介绍文献上早已介绍过的方法，或罗列与本文无关或关系不大的“一般临床资料”;其次是度量衡单位未使用规范的国家法定计量单位。　　　结果　　　　试验与观察、数据处理与分析、试验研究结果的得出是正文最重要的成分，应该给予极大的重视。要尊重事实，在资料的舍取上不应该随意掺人主观成分，或妄加猜测，不应该忽视偶然发生的现象和数据。未经统计学处理的实验观察记录数字，叫原始数据，统计学处理就是要使原始数据从难以理解变为易于理解，并从原始数据的偶然性中揭示稳藏在其中的某种必然规律。新诊断方法研究结果，要特别注意交代试验结果与公认的金标准进行独立的“盲法”的比较，其符合程度如何，其敏感性、特异性、阳性预测值、阴性预测值、准确性及观察者之间的差异，或与观察者不一致的程度如何等。结果中常出现的问题有，结果没有经统计学处理，这是属于研究设计上的缺陷（如用庞杂的原始数据代替整理加工过的数据，或没有统计学检验后的结论）；有的结果与“材料与方法”内容对不上号，使用“多见”、“少见”等不确切的措辞，代替具体的科学数据做出实事求是的结论和理论性分析（为体现讨论的客观性，一般采用第三人称语气）。具体包括：本实验观察的结论，所得结果有何理论和实践意义，能否证实有关假说的正确性，结果中有何内在联系（规律）。实验观察中发现预期以外事实现象的假定说明，与自己过去的或其他作者及其理论解释的比较，分析异同及其可能原因，根据自己的或参考别人的材料提出见解（见解若已知，是别人早先提过的应予以注明，切不可违反科学道德），实事求是地（有根据地）与其他作者进行两榷（要抱有虚心追求真理，但又不是故作谦虚的态度），同时用一分为二的观点，分析自己工作中可能存在的缺点错误和教训，例如本研究所用方法是否有局限性等；提出有关今后研究方向及本结果可能推广应用的设想，这往往对读者的思路有所启发。必须强调的是，论文的讨论部分要对主要问题，特别是本研究创新、独到之处加以充分发挥。对次要问题或与文献符合一致之处可一笔带过，讨论重点应放在与文献不一致之处。对本研究未能解决或有待解决的问题应明确提出。篇幅较大的讨论，应分项目编写，每个项日应集中论述一个中心内容，并冠以序码。讨论的中心内容应与正文各部分，特别是结果相呼应。讨论中不应过细重复以上各部分的数据。论文查重检测