新闻网讯 12月15日《自然-机器智能》（NatureMachine Intelligence）发表了由我校人工智能与自动化学院发起，英国剑桥大学、美国斯坦福大学、约翰霍普金斯大学、MD安德森肿瘤医院，同济医学院附属同济医院，附属协和医院，国家药物筛选中心等国内外权威科研机构联合发展的联邦学习（Federated learning）开源医学人工智能（AI）计算框架（Unified CT AI Diagnostic Initiative UCADI）。

人工智能技术正在变革传统医疗。但当前人工智能模型普遍泛化性差：模型在训练过的数据集上表现优异，但是对于未曾见过的数据，表现差别大。这个根本性的缺陷导致AI技术在医学、医疗应用中表现出的局限性，甚至安全问题更加突出。由于医疗数据受到个人隐私，知识产权，数据尺寸等多方面的限制，无法实现大范围、集中式的数据融合，当前医学人工智能模型通常只能在有限，甚至单一的数据集上训练。因此在这样条件下构建的医疗AI模型应用范围十分有限。

为解决这个根本性问题，我校人工智能学院夏天教授与白翔教授团队提出基于联邦学习（Federated learning）开源医学人工智能计算框架（UCADI）。此架构在保证数据安全与隐私前提下，无需传输数据，能在不同物理地点共享训练医学数据，构建泛化性强的医学AI模型。基于UCADI，夏天与白翔联合同济医学院附属同济医院、附属协和医院、武汉天佑医院、武汉中心医院、武汉儿童医院、国家药物筛选中心与英国剑桥大学医学中心（维护全欧盟新冠影像数据，包括全英23家医院）发起国际大合作，实现真正全球分布式共享新冠影像数据AI模型训练与构建。

基于中英23家医院近万张的胸部CT扫描数据，研究团队验证了UCADI能够在保证用户数据隐私的情况下，多快好省地进行人工智能辅助诊断模型的训练和推理，实现跨国多中心的新冠病毒智能诊断。基于UCADI训练的AI新冠诊断模型相对于单个医院数据训练出的模型，不仅性能远超，同时在多个不同医院的验证数据集上表现出良好的泛化性。

团队进一步分析了模型的可解释性和不确定性，团队验证了训练的AI模型能够捕捉到类似磨玻璃样阴影、小叶间隔增厚等新冠病人独有的CT特征。在此基础上，团队成员研究了数据异质性对模型性能的影响。剑桥大学博士生，文章的共同一作王瀚宸发现“除了不同的医生、医院在CT的采集步骤上有所不同，国家与国家之间的差异更大。中英两国的CT数据有一个很大的区别是，中国的数据都是平扫，而英国的CT有很大一部分是注入造影剂后进行的增强扫描，此外两国病人在年龄等属性上的分布也很不同，英国患者中的老年人比例非常高。这种数据上的异质性，对模型的训练是个很大的挑战。

为了应对这种数据异质性，团队首先进行了很多模型上的筛选和尝试，在几种常见的3D卷积网络架构中，最后选择3DDenseNet。不仅是因为其较好的泛化性能，同时模型尺寸偏小，非常方便联邦学习中进行传输。但值得注意的是，3DDenseNet也需要更多的计算资源。在此基础上，团队还尝试用CycleGAN在增强和平扫的CT间进行转换，取得了一些性能上的改善，但还是有相当的可提升空间。

此工作中，UCADI框架初步展示了对于全球新冠数据的整合能力，基于全球范围数据构建的新冠诊断预测模型完全向全球开放使用，各国医疗机构可以在此基础上，利用UCADI进一步共享、更新、演进、优化预测模型。同时UCADI框架完全开源，可用于其他类型医疗数据，为未来的跨国智能诊断系统的研究与发展提供了基础设施。团队已与剑桥大学和世界卫生组织10月份在德国新设立的疫情智能防控中心(WHO Hub for Pandemic and Epidemic Intelligence)建立进一步合作，重点研究现有的AI诊疗模型对识别新变种Omicron的鲁棒性，以及探索用持续学习(Continual Learning)等方法来开发一个可不断进化的联邦学习诊疗框架。

文章链接：

https://www.nature.com/articles/s42256-021-00421-z