编者按：2020年8月7日，全球人工智能和机器人峰会（CCF-GAIR 2020）正式开幕。CCF-GAIR 2020 峰会由中国计算机学会（CCF）主办，香港中文大学（深圳）、雷锋网联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。从2016年的学产结合，2017年的产业落地，2018年的垂直细分，2019年的人工智能40周年，峰会一直致力于打造国内人工智能和机器人领域规模最大、规格最高、跨界最广的学术、工业和投资平台。

在8月9日的医疗科技专场上，腾讯天衍实验室主任、美国医学和生物工程学会的会士（AIMBE Fellow）、IEEE医学影像杂志副编郑冶枫博士，分享了小样本学习和域自适应技术在医学影像AI问题中的最新研究思路及应用进展。

郑冶枫指出，从本质上来看，影像诊断是一个计算机视觉问题，理想情况下将计算机视觉成熟技术搬过来就可以，但影像诊断往往还存在很多独特的行业性问题。

第一，数据量少（缺乏训练数据），对AI算法团队来说是一个难题。因为缺乏数据样本，数据来源和标注问题都很大，医学影像需要专业医生标注，而培养一个专业医生需要十年以上的时间。

第二，算法跨中心泛化能力差。开发一个疾病/场景，与一家医院做深度捆绑、利用数据进行交叉验证后，能得到比较理想的结果。但如果把这个算法部署到另外一家医院，准确率会相差很大。

第三，准确度要求高，医疗是一个严谨的场景，所有的诊断建议都可能对病人健康产生直接影响。

在第一个问题上，郑冶枫博士提出，迁移学习是一个很好的方式，可以将某个任务（源域）上训练好的模型迁移到另一个任务（目标域）。而为了获取更多的医学数据、积少成多，郑冶枫博士团队提出了Med3D：共享编码器的多任务分割网络，在大量异质的公开数据集上预训练，然后迁移到其它任务，并且进行了开源输出。

当然，除了Med3D，郑冶枫博士团队还提出了基于魔方变换的自监督学习，在预训练阶段不需要人工标定，从而减少大量的时间成本。

另外一方面，为了解决域偏移的问题，他们还提出了新型无监督域自适应(UDA)的方法，来缓和域偏移所导致的性能下降。该方法仅仅需要源域的数据、标注以及目标域的部分图像，无需目标域的标注，即可实现两个领域的自适应。在演讲中，他以VideoGAN: 视频风格转换以及OP-Net: 基于单张图像的风格转换的两个案例进行了说明。

郑冶枫：首先介绍一下天衍实验室的情况。天衍实验室成立于2018年9月份，当年的930变革让腾讯开始全面拥抱互联网，其中天衍实验室是专注医学AI的团队，专注支持腾讯医疗线业务。

作为一个实验室，我们过去两年已经申请170多项AI技术专利，今年上半年也发表30多篇文章，并获得五项医疗方面竞赛冠军。

实验室依托腾讯这样一个平台，覆盖业务比较广，例如投身医疗“抗疫”这件事，在to C、to B、to G场景都有所覆盖，to C其中主要就是依托腾讯健康小程序入口，快速上线疫情专区、疫情知识问答等；在to B场景，也上线了新冠肺炎CT辅助诊断算法；to G场景则是配合政府部门做疾病发展预测，为政策决策提供支持。

腾讯上半年公布的财报里面，也专门总结了腾讯在抗疫期间做的工作，

其中红色的就是和实验室密切相关的，例如在15亿抗疫基金里面拨出一部分资金，购买6台车载CT扫描仪进行捐赠，同车搭载的还有我们的新冠肺炎CT辅助诊断算法。

天衍实验室还跟钟南山院士团队合作，建立联合实验室，目前这个实验室还在持续运作，研发新冠治疗和抗疫等类型工作。腾讯健康码小程序提供AI问诊、随访等服务，疫情期间有60多亿的调用。

回到医疗领域，腾讯作为科技部新一代人工智能项目的重要参与者，在医疗影像的产品就是腾讯觅影，目前腾讯觅影已经研发肺炎筛查、宫颈癌筛查、新冠肺炎CT辅助诊断等多种工具。

过去两年我们做了很多落地的工作，也遇到了很多问题，并且开发了一些技术解决这些问题。本质上讲，影像诊断是一个计算机视觉问题，理想情况下应该把计算机视觉成熟技术搬过来就可以。