作者：Arya
医学图像AI（博士）在读，研究方向为unsupervised deep learning; multi-modal; PET-CT. 写这篇文章梳理一下学习思路，也希望可以给刚开始进入这个行业的朋友一个quick guide。
从科研来看，深度学习在医学图像分割的传统应用上，如分割、配准等已经有疲软之势，基本都是用U-Net糅合来去。MICCAI是医学图像领域顶级会议，从MICCAI 2019来看，大部分paper还是用U-Net/FCN的各种改变版本，或者加个GAN。而比较有新意的工作则出现在，肿瘤预测/ 转移预测/ multi-modal等横向应用。MICCAI 2019 的趋势与我今年在上海参加的中国首届医学图像大会上接收到的信息一致：
1）预测是一个新的研究方向；
2）多模态、多肿瘤检测（而非primary tumor detection）更符合业界需求
值得注意的是，医学图像处理，一直是一个学界业界联系紧密的领域。计算机辅助诊断Computer Aided Diagnosis Systems是刚有影像设备的时候就有的概念，过于我们用传统方法 prior information做分析，现在我们多了深度学习的方法。至于如何由学转入产，首届医学影像大会，也提到了许多正在修订或出台的政策支持。
从就业来看，国内比如联影智能、商汤、腾讯是比较大头的做医疗影像领域的公司。其中联影智能是联影（国内最大的影像设备公司之一）旗下公司，由医学影像领域内最大牛的人之一沈老板带队，有巨大资源优势；商汤是炙手可热的人工智能公司；腾讯不用多讲。除此之外，国内有许多融资在1亿左右或1亿以下的创业公司，如连心医疗、视见科技等，这些创业公司的模式基本是：联合高校实验室及大医院，做出一个垂直细分的产品，如连心的放疗靶区勾画，视见的肺结节检测。基本所有公司都还处于研发产品，寻找落地场景，等待拿到临床资质的阶段，所有公司都在想办法：1）拉医院谈合作（拿到去敏数据进行模型训练）；2）对接影像设备端的合作（基于把自动诊断作为影像设备的一个功能按键）。而目前来说，行业缺乏统一标准。一个比较直接的想法是，在某一个影像领域内，如PET-CT/PET-MRI，结合本身的影像数据垄断优势，做出行业标准。
多亏了大牛们带队做宣传，现在我个人感觉医生们已经非常欢迎这个技术，医生与计算机科学家们正一起努力攻克难题。举一个小例子，我年初去一个三线城市的三甲医院做小手术，术前与麻醉医师闲聊，说起自己做医疗AI，他们都激动不已，说这一定是未来的趋势。我母亲也是医务行业从业者，年过50竟然还能与我聊一些AI在影像方面的应用，她也对这个技术非常有兴趣。
个人来看，这个领域的研究不同于自然图像，也不同于计算机视觉，除了要掌握基本的研究方法以外，更重要的是：1） data with accurate annotations 2）clinical supports。
比如我们实验室，要做的idea绝对是要通过一名clinical professor的同意，他认为有临床价值，他才会给我们提供去敏数据 ，我们才会去做，而有临床价值是paper 会不会被接受、及产品能不能做出来的最重要依据；同时，这为clinical professor也会在研究过程中提供很多建议，在我看来，这往往比我计算机方向的老板给出的comments更加有用。
所以，对于要进入这个科研行业的朋友的忠告是：
1。进入有医学资源的公司或实验室
2。关注clinical value
3。从影像和临床角度、结合深度学习方法的优势进行创新，放弃炼金术。
