自然圖像領域中存在著許多海量數(shù)據(jù)集，如ImageNet，MSCOCO?；谶@些數(shù)據(jù)集產(chǎn)生的預訓練模型推動了分類、檢測、分割等應用的進步。與自然圖像不同的是，醫(yī)療影像大部分都是3D結構形態(tài)的，同時，由于數(shù)據(jù)獲取和標注難度大，數(shù)據(jù)量稀少，此前并沒有海量數(shù)據(jù)集及對應的預訓練模型開源。

　　騰訊優(yōu)圖表示，這正是其開源MedicalNet的原因所在。目前，MedicalNet具備5大特性：

　　1、預訓練網(wǎng)絡可遷移到任何3D醫(yī)療影像的AI應用中，包括但不限于分割、檢測、分類等任務；2、尤其適用小數(shù)據(jù)醫(yī)療影像AI場景，能加快網(wǎng)絡收斂，提升網(wǎng)絡性能；3、通過簡單配置少量接口參數(shù)值，即可進行微調訓練；4、提供多卡訓練以及測試評估代碼，接口豐富，擴展性強；5、提供不同深度3D ResNet預訓練模型，可供不同數(shù)據(jù)量級應用使用。MedicalNet是如何做出來的？騰訊優(yōu)圖給出了解釋：

　　MedicalNet聚集了來自多個不同3D醫(yī)療領域的語義分割小規(guī)模數(shù)據(jù)集，并提出了基于多分支解碼器的多域聯(lián)合訓練模型來解決數(shù)據(jù)集中的標注缺失問題。這一預訓練的適用性也很強，可以遷移到任何3D醫(yī)療影像應用的深度學習模型中。

　　為了衡量模型效果，他們將MedicalNet模型遷移到預訓練時未接觸過的Visceral和LIDC數(shù)據(jù)集中。并用它來完成全新的肺部分割和肺結節(jié)分類任務，并與目前常用的從零訓練（train from scratch）以及Kinetics視頻3D預訓練模型在性能以及收斂速度上做了比較。

　　在肺部分割應用上，與Train from Scratch相比，MedicalNet在Dice上有16%到33%幅度的提升，與KineTIcs相比有4%到7%幅度的提升。在肺結節(jié)良惡性分類應用上，與Train from Scratch先比，MedicalNet的預測準確度提升了6%到23%幅度，與KineTIcs相比，提升了7%到20%。

　　在收斂速度上，無論是在肺分割任務還是肺結節(jié)分類任務上，MedicalNet都能為模型提供一個較低的初始化損失值，明顯加快損失下降速度。騰訊在AI醫(yī)療方面沉淀已久，近年來業(yè)內名聲愈盛，刷新多項世界紀錄。比如今年6月，全球胸部多器官分割大賽上，騰訊優(yōu)圖與廈門大學王連生老師實驗室聯(lián)手，刷新3項全球新紀錄。在此此前，雙方也在肝分割、肝腫瘤分割兩項技術挑戰(zhàn)賽中斬獲世界第一。

　　騰訊優(yōu)圖表示，其醫(yī)療AI已經(jīng)具備進行上億規(guī)模的模型訓練及合作接入的能力。而且，他們不僅僅只是研究，技術落地也早已開始。近年來，這些醫(yī)療AI技術正在通過騰訊旗下首個醫(yī)療影像產(chǎn)品“騰訊覓影”持續(xù)對外輸出，目前已支持宮頸癌、肺癌、糖尿病視網(wǎng)膜病變等癌癥篩查，并在國內100多家頂尖三甲醫(yī)院進行落地。