2023年10月12日，复旦大学大数据学院庄吓海教授团队的论文“BayeSeg: Bayesian modeling for medical image segmentation with interpretable generalizability”获得爱思唯尔出版社、医学影像分析期刊和国际MICCAI学会联合颁发最佳论文奖（Elsevier-MedIA 1st Prize & MICCAI Best Paper Award），成为第一篇以中国大陆研究机构(复旦大学)为第一单位的获奖论文。
MICCAl Best Paper Award 2023 & Elsevier-Medical Image Analysis 1st Prize
该奖项于2004年设立，一年一评，旨在表彰医学影像人工智能领域年度最优秀的论文。今年在加拿大温哥华举办的第26届国际医学图像计算与计算机辅助介入大会(MICCAI2023)上宣布，会议方同时邀请了“深度学习三巨头”之一，“神经网络之父”，图灵奖得主Yann LeCun做会议主题报告。
MICCAI 2023 颁奖现场
借助大数据和算法，医疗和技术的深度融合已经让AI医生逐渐融入人们的生活。这为人们提供了更多就医便利，并提供了疾病诊断的支持。在医学领域中，人工智能的重要应用之一是神经网络在医学影像分割方面的应用。神经网络是一种模拟人脑神经元运作的数学模型，通过学习和模式识别，能够帮助医生解析和分析复杂的医学影像数据，从而提供准确的诊断和治疗建议。
然而，神经网络难于解释的“黑盒子”性质极大地限制了医学图像分割人工智能在临床中的应用：我们难以及时了解什么时候、哪些情况下人工智能的判断可能会出错，需要医生的再次检查；同时模型在面对未曾见过的数据时性能会急剧下降，难以保持强泛化能力。
对于一个初出茅庐的人类医学生，只要牢记基本的器官形状，即使面对不熟悉的医学图像，也能取得不错的分割效果。因此，我们从中产生灵感，希望能够约束神经网络使用学习到的“形状轮廓”知识做出分割判断。
贝叶斯学习的医学影像分割泛化模型：
(a) 概率图模型，(b) 神经网络搭建与推断示意图。
基于以上想法，团队提出了一种可解释的贝叶斯分割框架（BayeSeg），对图像进行变量分解，分离出表示形状的变量和表示图像外观的变量，将分割变量限制仅与形状变量相关，并联合图像和其对应的分割标签进行显式统计建模。之后使用变分贝叶斯框架来近似这些可解释变量的后验分布，并用神经网络实现该框架的训练与推断。因为通过概率图模型显式建模的变量都有实际的物理含义，医生可以通过可视化不同变量的后验分布来判断BayeSeg的决策过程是否正确，模型具有良好的可解释性；同时，在前列腺分割和心脏分割任务上的实验结果表明，BayeSeg也展现出了良好的泛化能力。
不同变量后验的可视化图
该项研究成果由复旦大学大数据学院2018级博士研究生高尚奇、2021级博士研究生周杭琪、2022级博士研究生高一博共同完成，通讯作者是庄吓海教授。相关工作得到了国家自然科学基金和上海人才发展基金的支持。
今年，复旦大数据学院医学影像人工智能实验室（ZMIC Lab）在国际医学影像顶级会议MICCAI、IPMI获得多项奖项与提名，论文“BInGo: Bayesian Intrinsic Groupwise Registration via Explicit Hierarchical Disentanglement” 医学影像信息处理大会（IPMI）Francois Erbsmann Prize（最佳论文奖）runners-up，论文“A Reliable and Interpretable Framework of Multi-view Learning for Liver Fibrosis Staging” 提名MICCAI 2023 Best Paper Award与MICCAI学会青年科学家奖。
论文链接：
https://www.sciencedirect.com/science/article/pii/S1361841523001494
https://arxiv.org/abs/2303.01710
