报告内容介绍

报告题目：人工智能辅助细胞病理诊断系统的研发与应用

时间：1月14日9:30-10:00

报告人：梁莉 南方医科大学

报告题目：人工智能病理诊断：瓶颈，挑战，策略和未来

时间：1月14日10:00-10:30

报告人：余维淼 新加坡科技局(A*Star)

摘要：随着近5-10年深度学习方法的快速发展，基于人工智能学习的病理诊断方案在基础研究方面也有很多研究成果，但是其总体的落地和运用于真实世界的实际案例并不多。其主要原因是我们在该方向上还有不少瓶颈，挑战，包括技术和非技术层面的考虑，整个方向的发展还有一些缺失的重要环节和要素。在这次分享中，我们将回顾已有发展的现状，分析我们所面对的困难、挑战和瓶颈，讨论这个行业发展的生态环境，推动人工智能病理诊断未来的快速发展。

报告题目：人工智能病理辅助诊断在胃肠黏膜的应用

时间：1月14日10:30-11:00

报告人：宋志刚 解放军总医院

摘要：病理图像与医学领域的其他图像相比有其特殊性，病理诊断较为复杂，是结合临床及其他辅助检查得出的综合判断。我们从胃肠黏膜诊断入手，进行了大量病例的标注从而使胃癌诊断的敏感性接近100%，特异性大于85%，并进一步对胃癌的分型及非癌性病变进行了探索。人机协同测试表明，模型应用于临床诊断在效率以及准确率上都提升。同时基于胃癌的模型可扩展至肠癌、前列腺癌及肺癌等器官，能明显降低其他器官模型的数据需求量。

报告题目：无监督和弱监督学习在病理图像理解上的探索

时间：1月14日11:00-11:20

报告人：许燕 北京航空航天大学

摘要：病理图像理解在临床医学和研究中都有着十分重要的应用，但是由于病理图像的空间结构复杂，病理的信息量较大，给算法研究带来了一定的困难。虽然目前已经出现了多种可以用于病理图像理解的算法，但是这些算法都需要大量的人工标注。我们提出一种无监督深度学习的可形变医学图像配准算法，能够同时提取图像的特征并生成光流场，可用于配准细微的组织结构。在2D的病理图像上都获得了很好的准确率。同时，我们提出一种基于transformer的弱监督学习的病理图像分割算法，能够只在image-level的有限标注下，在病理图像肿瘤分割方面接近全监督学习的效果。

报告题目：弱监督学习在病理人工智能中的应用

时间：1月14日11:20-11:40

报告人：廖俊 中国药科大学

摘要：随着数字病组织理图像的大量积累以及计算机算力的不断提高，许多基于全视野数字切片(WSIs)的深度学习计算病理学研究被提出，大多数方法都需要在病理图像上手动标注病变区域，并且高度依赖专业病理知识，获取大量精密注释数据成为一项非常昂贵以及困难的任务。相比之下，仅使用少量或部分标注数据的半监督模型更契合实际应用。此次会议将介绍本实验室早期针对病理图像的强监督学习模型以及我们提出的最新的弱监督学习模型。

报告题目：结合病理图像的多模态数据分析

时间：1月14日11:40-12:00

报告人：王连生 厦门大学

摘要：病理数据分析，涉及到图像分割、分类、预后等各类医学图像分析常规问题，也包括不同医学数据模态融合，也与肿瘤的分子特征、微环境息息相关。本次报告主要介绍了课题组近两年在病理数据分析方面的工作，包括病理图像处理、多模态数据融合等。