0
| 本文作者： 劉海濤 | 2022-01-21 17:07 |
注：本文選自《中國圖象圖形學報》2022年第3期醫學圖像及臨床應用專刊，點擊【閱讀原文】，查看、下載此專刊論文。
過去20年里，醫學影像技術、人工智能技術以及這兩項技術相結合的臨床應用在全世界范圍內得到了快速長足的發展。
隨著醫學影像數據的擴增、人工智能算法模型的改進優化以及軟硬件設備的提升，越來越多的人工智能技術開始應用并落地于臨床醫學影像場景中，從而幫助醫生提高診療效率和診療精度，縮短患者就診等待時間，降低患者就醫成本等。
中國醫學影像人工智能領域在過去20年同樣取得了突飛猛進的發展，在全世界范圍內扮演了日益重要的角色。在科學研究方面，已經吸引了眾多業內頂尖學者投身醫學影像人工智能領域，在醫學影像人工智能領域的國際頂級刊物及頂級會議發表的論文數量逐年增加，在國內舉辦的醫學影像人工智能領域國際知名會議數量和影響力不斷增強。
在應用落地方面，越來越多的傳統醫療公司、互聯網科技公司以及新生的人工智能公司開始大力發展醫學影像人工智能產品。
同時，越來越多的醫院也開始積極參與醫學影像人工智能的合作研究項目，為將來人工智能在醫學影像應用的最終落地夯實基礎。
國家決策部門也在2017年發布的《新一代人工智能發展規劃》中將智能醫療列入面向2030年國家新一代人工智能發展的重點任務之一，并且后續又出臺了一系列的規劃。
為了記錄和總結過去20年中國在醫學影像人工智能領域的努力和貢獻，我們特意對中國醫學影像人工智能過去20年的發展歷程進行回顧，并對今后的發展進行展望。
在醫學影像人工智能領域的國際主流期刊（例如TMI、TBME、NeuroImage、Human Brain Mapping等）和會議（例如MICCAI、IPMI等）中，考慮到期刊和會議收錄該領域論文的全面性，以及本文作者資源和時間的有限性，重點定量分析了國內同行在期刊MedIA和TMI以及會議MICCAI發表的論文情況（截至2021年11月）。其中，在這些我們分析的期刊和會議上，Shen Dinggang（沈定剛）都是發表論文最多的學者。
此外，我們回顧并簡要總結了近20年國內醫學影像人工智能發展進程中的重要事件，包括國內主辦的醫學影像人工智能知名國際和國內會議、《中國醫學影像AI白皮書》的發布以及國內同行在新冠肺炎COVID-19期間的貢獻。
最后，我們展望了國內醫學影像人工智能領域未來的發展趨勢。
在檢索期刊論文收錄情況時，我們使用的數據來源于Web of Science核心數據集（不包括early access論文），設置出版物標題為“Medical Image Analysis”或“IEEE Transactions on Medical Imaging”，索引日期為“2000-01-01至2021-11-26”，國家/地區為“PEOPLES R CHINA or TAIWAN”（包含了中國大陸、香港、澳門和臺灣）。
此外，我們包括了1998年（第一屆MICCAI會議）至2021年的所有MICCAI論文，作者單位限定為中國大陸、香港、澳門或臺灣。值得注意的是，在檢索上述期刊或會議論文中，我們限定所有作者中至少有一位署名為國內單位。此外，為了排除同名作者造成的影響，我們還引入Scopus數據庫提供的作者標識符（Author ID）來區分同名作者。
1.1 MedIA
圖1為2000年以來中國每年在MedIA發表論文數量和占比。由圖1可見，2000—2021年（截至11月），國內單位在MedIA期刊共發表論文333篇。
自2003年發表第一篇論文開始，2003—2012年論文發表數量較少，一共僅11篇，平均每年1.1篇。2013年開始，論文發表數量有較明顯增長，2013—2016年共發表44篇，平均每年11篇。
2017年開始，國內單位的論文發表數量增長迅速，2017—2021年11月共發表278篇，平均每年55.6篇，其中2021年（截止至11月）增長更為明顯，較2020年增長69篇，達到132篇。
此外，自2012年開始，國內單位每年在MedIA發表論文占比也呈現整體上升趨勢，2019—2021年（截至11月）分別達到27.07%，39.13%和37.29%。
圖1 2000年以來國內單位每年在MedIA發表論文數量和占比。
1.2 TMI
圖2為2000年以來中國每年在TMI發表論文數量和占比。由圖2可見，2000—2021年（截至11月），國內單位在TMI期刊共發表論文601篇。2000—2011年間，中國在該期刊上發表的論文數量較少，每年的總數都不超過15篇。而從2012年開始，每年的論文發表數量呈現穩定增長趨勢，在2020年達到129篇。
其中，2019—2020年的增長幅度最大，為54篇。截至2021年11月，2021年的論文總數已達到了112篇，預計年底能夠追平甚至將超過2020年。
此外，自2011年開始，國內單位每年在TMI發表論文占比也呈現穩定上升趨勢，2019—2021年（截至11月）分別達到28.63%，33.33%和42.26%。
圖2 2000年以來國內單位每年在TMI發表論文數量和占比
1.3 MICCAI
圖3為1998年以來中國每年在MICCAI發表論文數量和占比。由圖3可見，1998—2021年，國內單位在MICCAI會議發表論文共985篇。
從1999年發表最初的2篇論文開始，1999—2003年論文發表數量較少，一共僅8篇，其中1999、2000、2002、2003年各發表2篇。
從2004年開始，國內單位論文發表數量有較明顯增長，2004—2015年共發表179篇，平均每年15篇。自2016年開始，國內單位發表論文數量迅速增長，2016—2018年共發表154篇，平均每年51篇。
2019—2021年年均發表論文超過了180篇，分別達到188、221、235篇。此外，自2014年開始，國內單位每年在MICCAI發表論文占比也呈現整體上升趨勢，2019—2021年分別達到34.75%，40.63%和44.26%。
圖3 1998年以來國內單位每年在MICCAI發表論文數量和占比。
2.1 MedIA
圖4為2000年以來國內作者發表MedIA論文的身份占比。由圖4可見，自2000年以來，國內作者發表MedIA期刊論文的身份具有顯著變化。在論文發表數量和占比整體逐年上升（圖1）的情況下，第一作者和通訊作者均為國內單位的論文數量占比（圖4藍色部分）也在逐年提高。
其中，2013—2019年總占比為44.53%，而2020年和2021年（截至11月）占比分別顯著提高到71.43%和71.97%（由于2003—2012年論文發表數量及占比較少，故不納入此分析）。
圖4 2000年以來國內作者發表MedIA論文的身份占比
2.2 TMI
圖5為2000年以來國內作者發表TMI論文的身份占比。由圖5可見，自2000年以來，國內作者發表TMI期刊論文的身份具有顯著變化。
2012年之前，在論文發表數量較少和占比較低的情況下（圖2），第一作者和通訊作者均為國內單位的論文數量的占比也較低（圖5藍色部分）。
自2012年開始，該占比整體增長，幾乎此后所有年份的占比都超過50%，平均占比高達61.09%。其中2019年和2021年（截至11月）的占比分別達到75.00%和69.64%。
圖5 2000年以來國內作者發表TMI論文的身份占比
2.3 MICCAI
圖6為1998年以來國內作者發表MICCAI論文的身份占比。由圖6可見，自1998年以來，國內作者在MICCAI會議發表論文的身份具有顯著變化。
在論文發表數量和占比整體逐年上升（圖3）的情況下，第一作者和通訊作者均為國內單位的論文數量占比（圖6藍色部分）也在逐年提高。
其中，2009—2018年整體占比約60.9%，而2019—2021年占比分別為68.1%、67.9%和77.4%（由于1998—2009年國內作者論文發表數量較少且通訊作者沒有明確標識，誤差較大，故不納入此分析）。
圖6 1998年以來國內作者發表MICCAI論文的身份占比
3.1 MedIA
圖7為2000年以來國內單位發表MedIA期刊論文的數量統計圖。發表論文總數量較多的國內單位，包括：
中國科學院（注：由于中國科學院下屬研究單位機構眾多，故在本文中合并統計，而中國科學院大學單獨統計）（42篇，12.61%）、上海交通大學（35篇，10.51%）、香港中文大學（33篇，9.91%）、深圳大學（25篇，7.51%）、西北工業大學（21篇，6.31%）、上海聯影智能醫療科技有限公司（17篇，5.11%）、四川大學（17篇，5.11%）、中山大學（17篇，5.11%）、復旦大學（15篇，4.50%）、北京理工大學（14篇，4.20%）、東南大學（14篇，4.20%）、中國科學院大學（14篇，4.20%）、廈門大學（14篇，4.20%）、浙江大學（14篇，4.20%）、華中科技大學（13篇，3.90%）、南方醫科大學（13篇，3.90%）、北京大學（12篇，3.60%）、香港理工大學（11篇，3.30%）、電子科技大學（11篇，3.30%）、哈爾濱工業大學（10篇，3.00%）、上海科技大學（10篇，3.00%）、清華大學（10篇，3.00%）。
圖7 2000年以來國內單位在MedIA發表論文總數量
3.2 TMI
圖8為2000年以來國內單位發表TMI期刊論文的數量統計圖。發表論文總數量較多的國內單位包括：
中國科學院（80篇，13.31%）、上海交通大學（59篇，9.82%）、香港中文大學（40篇，6.66%）、清華大學（36篇，5.99%）、南方醫科大學（32篇，5.32%）、深圳大學（28篇，4.66%）、浙江大學（23篇，3.83%）、香港理工大學（22篇，3.66%）、四川大學（22篇，3.66%）、北京大學（22篇，3.66%）、北京航空航天大學（22篇，3.66%）、中國科學院大學（22篇，3.66%）、華中科技大學（20篇，3.33%）、西安交通大學（19篇，3.16%）、西北工業大學（19篇，3.16%）、中國科學技術大學（19篇，3.16%）、中山大學（18篇，3.00%）、北京理工大學（16篇，2.66%）、東南大學（15篇、2.50%）。
圖8 2000年以來國內單位在TMI發表論文總數量
3.3 MICCAI
圖9為1998年以來國內單位在MICCAI會議發表論文的數量統計圖。發表論文總數量較多的國內單位，包括：
中國科學院（120篇，12.18%）、上海交通大學（103篇，10.46%）、西北工業大學（72篇，7.31%）、香港中文大學（69篇，7.01%）、浙江大學（51篇，5.18%）、深圳大學（47篇，4.77%）、北京大學（43篇，4.37%）、中山大學（33篇，3.35%）、清華大學（32篇，3.25%）、上海聯影智能醫療科技有限公司（30篇，3.05%）、中國科技大學（29篇，2.94%）、中國科學院大學（27篇，2.74%）和香港科技大學（25篇，2.54%）。
圖9 1998年以來國內單位在MICCAI發表論文總數量
4.1 MedIA
采用公開的igraph工具包來繪制論文作者之間的關系鏈示意圖（圖10—圖12）。以國內第一作者作為主要節點來對同篇論文中的其他參與作者進行連接，圖中紅色節點以及作者名字體大小與該作者參與論文數量成正比，節點之間的連線粗細與作者之間合作論文的數量成正比。
圖10顯示了2000年以來發表MedIA論文的國內作者的合作鏈。為了使合作鏈示意圖更加清晰，省略了不存在合作鏈或發文量僅一篇的作者。
在納入統計的333篇論文中，發表論文數量相對較多且國內外合作者較多的國內作者有：
Shen Dinggang（43篇，12.91%）、Li Shuo（32篇，9.61%）、Heng Pheng-Ann（21篇，6.31%）、Chen Bo（13篇，3.90%）、Liu Tianming/Lei Baiying/Chen Hao（12篇，3.60%）、Guo Lei/Qin Jing（10篇，3.00%）、Liu Mingxia/Zhang Heye/Wang Tianfu/Ye Chuyang/Dou Qi（9篇，2.70%）、Zhang Daoqiang/Yang Xin/Zhang Yi（8篇，2.40%）、Ni Dong/Gao Yaozong/Zheng Yefeng/Wang Liansheng/Chen Yang（7篇，2.10%）、Wang Qian/Shi Feng/Zhang Tuo/Zhuang Xiahai/Fu Huazhu（6篇，1.80%）、Feng Qianjin/Han Junwei/Zhu Dajiang/Jiang Xi/Jie Biao/Xu Yanwu/Zhang Shaoting/Ma Kai/Bian Cheng/Jin Yueming/Xiao Jing/Chen Geng（5篇，1.50%）等。
圖10 2000年以來發表MedIA論文的國內作者合作鏈關系圖
4.2 TMI
圖11顯示了2000年以來發表TMI論文的國內作者的合作鏈。為了使合作鏈示意圖更加清晰，設置節點頂點的大小為作者參與論文數量的5倍以及設置頂點名稱的大小為作者參與論文數量的3倍，同時省略了一些合作較少的作者。
在納入統計的601篇論文中，發表論文數量相對較多且國內外合作者較多的國內作者有：
Shen Dinggang（33篇，5.49%）、Heng Pheng-Ann（30篇，4.99%）、Tian Jie/Ma Jianhua/Yu Lequan（14篇，2.33%）、Liu Jiang（13篇，2.16%）、Chen Wufan/Chen Hao/Dou Qi（12篇，2.00%）、Zhang Yi（11篇，1.83%）、Feng Qianjin/Liu Dong/Feng David Dagan（10篇，1.66%）、Ni Dong/Zhang Daoqiang/Luo Jianwen/Qin Jing/Du Jiangfeng（9篇，1.50%）、Wang Qian/Xia Yong/Liu Mingxia/Chen Xinjian/Yang Xin/Zheng Hairong/Cheng Jun/Mou Xuanqin/Lu Hongbing/Zeng Dong/Zhao Yitian/Lin Weili（8篇，1.33%）、Liang Dong/Chen Yang/Zhang Hao/Yang Wei/Song Yang/Cai Weidong（7篇，1.16%）等。
圖11 2000年以來發表TMI論文的國內作者合作鏈關系圖
4.3 MICCAI
圖12顯示了1998年以來發表MICCAI會議論文的國內作者的合作鏈。由于MICCAI會議國內單位的論文數量較多，為了使合作鏈示意圖更加清晰，將發文少于8篇的作者省略。
在納入統計的985篇論文中，發表論文數量相對較多且國內外合作者較多的國內作者有：
Shen Dinggang（96篇，9.75%）、Liu Tianming（44篇，4.47%）、Heng Pheng-Ann（34篇，3.45%）、Guo Lei（33篇，3.35%）、Zheng Yefeng（29篇，2.94%）、Ma Kai（28篇，2.84%）、Xiao Jing（27篇，2.74%）、Qin Jing（24篇，2.44%）、Ni Dong/Li Shuo（23篇，2.34%）、Zhang Tuo（22篇，2.23%）、Lu Le（21篇，2.13%）、Kevin Zhou S./Chung Albert C. S./Liu Jiang/Yu Yizhou（20篇，2.03%）、Shi Pengcheng/Zhang Shaoting（19篇，1.93%）、Wang Li（18篇，1.83%）、Li Gang（16篇，1.62%）、Wang Qian/Xue Zhong/Yang Xin/Zhang Heye/Liu Huafeng（15篇，1.52%）、Zhang Daoqiang/Hu Xintao/Lin Weili/Fu Huazhu/Wang Yizhou（14篇，1.42%）、Shi Feng/Xia Yong/Zhang Han/Dou Qi（13篇，1.32%）、Jiang Xi/Lei Baiying/Shi Yiyu（12篇，1.22%）、Lv Jinglei/Li Xiang/Zhuang Xiahai/Liu Mingxia/Huang Junzhou/Yan Ke（11篇，1.12%）、Jiang Tianzi/Han Junwei/Yao Jianhua/Zhao Yitian/Cai Weidong（10篇，1.02%）等。
圖12 1998年以來發表MICCAI論文的國內作者合作鏈關系圖
圖13—圖15分別為對國內單位在MedIA、TMI和MICCAI發表的論文關鍵詞信息進行統計得到的詞云圖。由圖13(a)—圖15(a)可見，2012年之前發表在上述三者的論文研究方法多集中于傳統的影像分析方法。其中MedIA論文主要包括最小成本路徑、統計參數圖、隨機有限元法和Gabor小波（圖13(a)），TMI論文主要包括參數估計、可變形模型、小波變換和模糊聚類（圖14(a)），MICCAI論文主要包括水平集、判別分析和基于模板的分析（圖15(a)）。2012年之前發表在上述三者的論文研究對象多集中在心臟、血管和大腦。此外TMI論文對乳腺和視網膜（圖14(a)），MICCAI論文對肺部（圖15(a)）也有較多研究。2012年之前發表在上述三者的論文研究目標多集中在醫學影像的配準和分割。此外MedIA論文對醫學影像的標準化（圖13(a)），TMI論文對醫學影像的重建、分類、融合和聚類（圖14(a)）也有較多研究。2012年之前發表在上述三者的論文研究影像模態主要為磁共振成像（magnetic resonance imaging，MRI）。此外TMI論文對CT（computed tomography）、超聲（ultrasound）以及多模態磁共振成像，例如功能磁共振成像（functional MRI，fMRI）、彌散張量成像（diffusiontensor imaging，DTI）和磁共振血管成像（magnetic resonanceangiography，MRA）等有較多研究（圖14(a)）。
由圖13(b)—圖15(b)可見，隨著相關技術的發展和普及，2012—2016年發表在上述三者的論文主要研究方法從2012年之前的傳統影像分析方法演變為稀疏表達。此外，MedIA論文對壓縮感知（圖13(b)），TMI論文對字典學習、壓縮感知和深度學習（圖14(b)），MICCAI論文對字典學習和多任務學習（圖15(b)）也有較多研究。2012—2016年發表在上述三者的論文研究對象有一定差異。其中MedIA論文主要包括大腦連接、細胞和腦血管等（圖13(b)），TMI論文多為前列腺、血管和腎皮質等（圖14(b)），MICCAI論文除了心臟、血管和眼部，對大腦疾病（例如老年癡呆和輕度認知障礙）和大腦皮層特征點識別有較多研究（圖15(b)）。2012—2016年發表在上述三者的論文研究目標除了傳統的醫學影像的分割、分類、配準和重建之外，MedIA論文對大腦結構及功能特性相關的功能或有效連接分析（圖13(b)），TMI論文對計算機輔助檢測和醫學影像增強（圖14(b)）有較多研究。2012—2016年發表在上述三者的論文研究影像模態除了多模態磁共振成像（例如fMRI和DTI等）之外，MedIA論文對相差顯微鏡影像（phase contrast microscopyimage）和正電子發射型計算機斷層顯像（PET）（圖13(b)），TMI論文對CT、超聲、彈性成像（elastography）和多普勒光學相干斷層掃描（doppler opticalcoherence tomography, doppler OCT）（圖14(b)），MICCAI論文對CT和超聲（圖15(b)）有較多研究。
由圖13(c)—圖15(c)可見，隨著深度學習及其相關技術的發展和普及，2017—2021年發表在上述三者的論文主要研究方法從2012年之前的傳統影像分析方法和2012—2016年的稀疏表達演變為深度學習。其中MedIA論文包括卷積神經網絡、生成對抗網絡、深度神經網絡、遷移學習、對比學習、半監督學習、自監督學習、注意力機制等（圖13(c)）。TMI論文包括卷積神經網絡、生成對抗網絡等，此外三維可視化、特征提取、特征學習和網絡訓練等也備受關注和青睞（圖14(c)）。MICCAI論文包括卷積神經網絡、生成對抗網絡、Transformer、對比學習、圖卷積網絡、自監督學習、半監督學習、深度神經網絡、多任務學習等（圖15(c)）。2017—2021年發表在上述三者的論文研究對象具有一定差異。其中MedIA論文主要包括老年癡呆、乳腺癌、新型冠狀病毒肺炎（COVID-19）和大腦等（圖13(c)），TMI論文主要包括COVID-19、大腦和器官病變等（圖14(c)），MICCAI論文主要包括腦疾病、腦網絡、視網膜眼底疾病、乳腺和血管等（圖15(c)）。2017—2021年發表在上述三者的論文研究目標除了傳統的醫學影像配準、分割、分類和重建之外，MedIA論文對醫學影像合成（圖13(c)），TMI論文對醫學影像可視化（圖14(c)），MICCAI論文對計算機輔助檢測（圖15(c)）也有較多研究。2017—2021年發表在上述三者的論文研究影像模態除了傳統的CT和MRI之外，MedIA論文對數字病理影像和多模態影像（圖13(c)），TMI論文對超聲、X射線和OCT（圖14(c)），MICCAI論文對超聲和多模態影像（圖15(c)）也有較多研究。
綜上所述，國內單位在MedIA、TMI和MICCAI發表的論文關鍵詞信息在過去20年具有以下發展特點和趨勢：研究方法緊跟人工智能技術的最新發展潮流；研究對象除了傳統的器官，也緊密結合醫療健康領域的重點和難點問題，例如COVID-19；研究目標除了傳統的醫學影像分析，計算機輔助檢測近年來也受到一定重視，但已發表論文仍側重于醫學影像計算（MedicalImage Computing, MIC），而計算機輔助介入（Computer AssistedIntervention, CAI）的相關研究偏少，需引起足夠重視；研究影像模態也逐步從單一模態擴展到多模態融合，包括與自然語言（例如診斷報告）的融合。
(a) 2000—2011年詞云圖
(b) 2012—2016年詞云圖
(c) 2017—2021年詞云圖
圖13 2000—2011年、2012—2016年和2017—2021年國內作者發表MedIA期刊論文的關鍵詞詞云分析結果
(a) 2000—2011年詞云圖
(b) 2012—2016年詞云圖
(c) 2017—2021年詞云圖
圖14 2000—2011年、2012—2016年和2017—2021年國內作者發表TMI期刊論文的關鍵詞詞云分析結果。
(a) 1998—2011年詞云圖
(b) 2012—2016年詞云圖
(c) 2017—2021年詞云圖
圖15 1998—2011年、2012—2016年和2017—2021年國內作者發表MICCAI會議論文的關鍵詞詞云分析結果。
6.1 MedIA
2000—2021年（截至11月），國內單位在MedIA期刊發表的333篇論文共被Web of Science核心數據集引用7 481次，平均每篇被引22次。被引次數較多的10篇論文分別為：
“Validation, Comparison, and Combination of Algorithms for Automatic Detection of Pulmonary Nodules in Computed Tomography Images: The LUNA16 Challenge”（268次）、
“A Deep Learning Model Integrating FCNNs and CRFs for Brain Tumor Segmentation”（265次）、
“3D Deeply Supervised Network for Automated Segmentation of Volumetric Medical Images”（240次）、
“Magnetic Resonance Image Reconstruction from Undersampled Measurements Using A Patch-based Nonlocal Operator”（203次）、
“Assessment of Algorithms for Mitosis Detection in Breast Cancer Histopathology Images”（194次）、
“DCAN: Deep Contour-aware Networks for Object Instance Segmentation from Histology Images”（192次）、
“ISLES 2015 - A Public Evaluation Benchmark for Ischemic Stroke Lesion Segmentation from Multispectral MRI”（190次）、
“Gland Segmentation in Colon Histology Images: The Glas Challenge Contest”（187次）、
“Central Focused Convolutional Neural Networks: Developing A Data-driven Model for Lung Nodule Segmentation”（170次）、
“A Blind Deconvolution Approach to Recover Effective Connectivity Brain Networks from Resting State FMRI Data”（136次）。
6.2 TMI
2000—2021年（截至11月），國內單位在TMI期刊發表的601篇論文共被Web of Science核心數據集引用16 623次，平均每篇被引28次。被引次數較多的10篇論文分別為：
“Generalized q-Sampling Imaging”（426次）、
“Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network”（380次）、
“Penalized weighted least-squares approach to sinogram noise reduction and image reconstruction for low-dose X-ray computed tomography”（358次）、
“Low-Dose X-ray CT Reconstruction via Dictionary Learning”（357次）、
“Stacked Sparse Autoencoder (SSAE) for Nuclei Detection on Breast Cancer Histopathology Images”（351次）、
“H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation From CT Volumes”（320次）、
“Low-Dose CT Image Denoising Using a Generative Adversarial Network With Wasserstein Distance and Perceptual Loss”（305次）、
“Automated Melanoma Recognition in Dermoscopy Images via Very Deep Residual Networks”（292次）、
“Automatic Detection of Cerebral Microbleeds From MR Images via 3D Convolutional Neural Networks”（287次）、
“Retinopathy Online Challenge: Automatic Detection of Microaneurysms in Digital Color Fundus Photographs”（266次）。
6.3 MICCAI
1998—2021年，國內單位在MICCAI會議發表的985篇論文共被引用8 916次（截至2021年11月，由Plum Metrics評價系統提供），平均每篇被引9次。被引次數較多的10篇論文分別為：
“Medical Image Synthesis with Context-Aware Generative Adversarial Networks”（268次）、
“DeepVessel: Retinal Vessel Segmentation via Deep Learning and Conditional Random Field”（245次）、
“3D Deeply Supervised Network for Automatic Liver Segmentation from CT Volumes”（186次）、
“Accurate Pulmonary Nodule Detection in Computed Tomography Images Using Deep Convolutional Neural Networks”（142次）、
“Cardiac Image Super-Resolution with Global Correspondence Using Multi-Atlas PatchMatch”（91次）、
“Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning”（88次）、
“ASDNet: Attention Based Semi-supervised Deep Networks for Medical Image Segmentation”（84次）、
“Automated Nucleus and Cytoplasm Segmentation of Overlapping Cervical Cells”（81次）、
“Uncertainty-Aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation”（69次）、
“Multi-modal Image Registration by Minimising Kullback-Leibler Distance”（65次）。
7.1 中國舉辦的醫學影像人工智能知名國際會議
作為醫學圖像人工智能領域的國際頂級學術會議，醫學影像計算與計算機輔助介入會議（MICCAI）已在中國成功舉辦過2屆。
第13屆會議（MICCAI 2010）于2010年9月20—24日首次在北京舉辦，大會主席為中國科學院自動化研究所蔣田仔教授。會議共接收論文251篇，來自全球參會者達800余名。
第22屆會議（MICCAI 2019）于2019年10月13—17日在深圳舉行，大會主席為上海科技大學沈定剛教授和美國佐治亞大學劉天明教授，當地主席為深圳大學倪東教授。
第22屆會議創造了多項紀錄：會議注冊人數突破2 300人；論文投稿數量相比2018年增加63%，最終接收538篇，其中來自亞洲的錄取論文比例（37%）首次超過美洲，中國貢獻了絕大多數論文（188篇）；講習班、研討會、挑戰賽的舉辦數量多達60余個；創紀錄地資助了113名全球學生參會，其中包括48名本科生，并且中國高校本科生占多數；贊助商達20余家；會議也吸引了大量工業界人士和醫生參會。MICCAI 2019的成功舉辦對中國醫學圖像人工智能的長遠發展和青年后備人才的培養具有深遠的影響。
除了MICCAI之外，中國還成功舉辦了其他知名醫學圖像人工智能國際會議。
例如，2014年的生物醫學成像國際論壇ISBI（The IEEE International Symposium on Biomedical Imaging）于4月29日至5月2日在北京舉辦，大會主席為倫斯勒理工學院王革教授和卡耐基梅隆大學賀斌教授，程序委員會主席之一為中國科學院自動化研究所田捷教授。
第26屆醫學成像信息處理國際會議IPMI（The international conference on Information Processing in Medical Imaging）于2019年6月2—7日在香港舉行，大會主席為香港科技大學Albert C. S. Chung教授和賓夕法尼亞大學James Gee教授。
第18屆人腦圖譜組織年會OHBM（18th annual Meeting of the organization for Human brain Mapping）于2012年6月10—14日在北京舉行，當地主席為北京大學高家紅教授。
7.2 中國舉辦的其他醫學影像人工智能會議
2014年12月，在上海科技大學（原北卡羅來納大學教堂山分校）沈定剛教授的倡議下，醫學圖像計算青年研討會MICS（Medical Imaging Computing Seminar）在深圳大學首次由倪東教授舉辦。
該會議最大特色及宗旨是為醫學圖像計算領域的華人青年學者提供國內學術交流平臺，促進該領域青年科研學者與醫生等其他領域專家的相互了解，幫助其融入國內學術研究大家庭。
會議聚焦近三年內的醫學圖像計算領域有影響力的原創研究，經過2014年—2021年共8屆會議，MICS從線下參會人數不足百人到最多2000余名。
此外，MICS還組織了每兩周一次的在線學術講座。MICS已迅速發展成為國內醫學圖像計算領域最具影響力的學術活動和組織之一，為推進中國醫學影像人工智能領域的發展做出了貢獻。
2017年9月，由電子科技大學李純明教授發起的圖像計算與數字醫學國際研討會ISICDM（International Symposium on Image Computing and Digital Medicine）在成都首次舉辦。
該會議堅持理工醫跨學科交流特色，學術討論圍繞圖像計算和數字醫學中的理論、算法與應用問題，旨在促進電子信息、數學和醫學等領域學者的交流合作，近4屆會議共2000余人次線下參會。
此外，中國生物醫學工程學會每年主辦的青年論壇也為醫學影像人工智能領域提供了交流合作和共同發展的平臺。
7.3 中國醫學影像AI白皮書
為促進中國醫學影像人工智能（AI）相關產業技術的創新和發展，中國醫學影像AI產學研用創新聯盟（以下簡稱“聯盟”）于2018年4月在上海成立。首屆聯盟理事長由上海長征醫院劉士遠教授擔任。2019年3月，該聯盟正式發布了《中國醫學影像AI白皮書》（Chinese Innovative Alliance of Industry, Education, Research and Application of Artificial Intelligence for Medical Imaging，2019）。
白皮書由該聯盟召集國內三甲醫院關注人工智能的影像專家、研究學者和人工智能醫學公司等產學研用各環節代表聯合起草，從人工智能在醫療領域的應用、醫學影像人工智能算法的最新進展、醫學影像人工智能的需求調研、臨床應用現狀與展望、政策、挑戰與建議等6個方面深度分析了醫學影像各個領域的現狀、需求和未來，并對政策做出建議。
在近幾年醫學影像人工智能蓬勃發展但泡沫和亂象并存的時刻，該權威性報告為中國醫學影像人工智能的未來發展提供了藍圖。
7.4 國內同行在COVID-19期間的貢獻
2019年新型冠狀病毒肺炎（COVID-19）的爆發給全世界人民生命健康安全帶來嚴重影響，也給全世界醫療健康領域帶來巨大挑戰。
醫療成像，尤其是胸部成像在COVID-19患者的診斷、預測和管理方面發揮著重要作用。為了應對這一全球危機，全世界醫學影像人工智能領域同行迅速采取行動，開發和分享了針對COVID-19成像數據的管理和分析的深度學習模型和工具，以及醫學影像分析方法（Zhang等，2020）。
2020年2月18日，在國內疫情最嚴峻的時刻，MICS組織了COVID-19在線論壇，邀請了國內知名醫學專家、醫學影像人工智能研究學者和公司代表討論了基于CT影像診斷COVID-19的進展，以及人工智能在輔助醫生診斷COVID-19中發揮的作用。
Shi等人（2021）和Dong等人（2021）在綜述中分別從不同角度總結回顧了針對COVID-19成像數據的醫學影像分析以及深度學習方法和工具。Liu等人（2021）和Shen等人（2020）分別在MedIA和TMI上創辦了名為“Intelligent Analysis of COVID-19 Imaging Data”和“Imaging-based Diagnosis of COVID-19”的聯合特刊，從互補角度聚焦COVID-19成像的核心問題，共匯集出版了20多篇提出新方法和報告新實驗結果的論文，其中中國同行貢獻了近一半數量。
從方法角度，中國同行發表在上述特刊論文可分為3類：1）COVID-19成像數據的分割和診斷（Gao等，2021；Yang等，2021a；Di等，2021；Ouyang等，2020）；2）COVID-19嚴重程度評估和預后預測（Zhu等，2021；Xue等，2021）；3）COVID-19影像數據的臨床管理（Zhong等，2021；Han等，2020；Wang等，2020）。
本文對中國醫學影像人工智能過去20年的發展歷程進行了回顧。著重定量分析了國內同行在醫學影像人工智能領域國際頂級刊物（MedIA和TMI）以及頂級會議（MICCAI）發表的論文情況，包括論文發表數量、作者身份、發表單位、作者合作鏈、關鍵詞、被引次數等信息，介紹了中國近20年在醫學影像人工智能領域取得的突飛猛進的成績。
同時，許多研究論文的作者將數據和源代碼公開給全世界共享，為全世界醫學影像人工智能的科研和教學做出了杰出的貢獻。
此外，還回顧并簡要總結了國內近20年醫學影像人工智能發展進程中的重要事件。期望本文能為醫學影像人工智能同行提供一個科研和教學參考，為新一代從事醫學影像人工智能領域研究的學者和學生提供一個了解中國該領域發展歷史的線索，促進該領域將來在中國的蓬勃發展。
通過對中國醫學影像人工智能的發展歷程回顧可以發現，首先，隨著人工智能技術的飛速發展，機器學習，尤其是深度學習正廣泛運用于醫學影像的成像、識別、分類和量化等各個領域。
由于具有強大的從數據中歸納特征而非根據領域特定知識手工識別特征的能力，深度學習近年來已迅速成為主流的人工智能技術，并顯著提高了醫學影像應用的性能（Shen等，2017）。
故此建議將來進一步提高深度學習的能力，包括最優和高效的深度學習，可推廣的深度學習，可解釋的深度學習，公平的深度學習以及負責任和值得信賴的深度學習等。
其次，醫學影像人工智能結構化數據服務和共享需要進一步提升，以促進醫學影像和深度學習領域的專家學者以最佳方式協同推進基礎科研和臨床應用落地研究。
再次，需要加強多中心和多模態醫學影像數據的采集和融合分析，包括與自然語言的融合。進一步，由第4章“論文作者合作鏈”可以看出，醫學影像人工智能是一個醫工交叉學科。建議該領域研究者進一步與醫生加強密切合作，聚焦當前人工智能在醫學影像臨床應用中的真正難點和痛點，將醫學影像人工智能技術真正落地。
最后，期望醫學影像人工智能領域的國內研究學者要以國家戰略需求為導向，堅持“四個面向”（世界科技前沿、經濟主戰場、國家重大需求、人民生命健康），勇于探索領域內的高難度、需要長期投入、出成果周期長的關鍵科學問題，加強人才培養特別是校企聯合培養，并且繼續擴大和加強國際合作，堅持開源研究相關數據和源代碼，為全世界醫學影像人工智能領域的發展繼續貢獻中國力量。
論文引用格式：Jiang X, Yuan YX, Wang YP, Xiao ZX, Zhu ML, Chen ZH, Liu TM, and Shen DG. 2022. A 20-year retrospect and prospect of medical imagingartificial intelligence in China. Journal of Image and Graphics, online.（蔣希，袁奕萱，王雅萍，肖振祥，朱美蘆，陳澤華，劉天明，沈定剛. 2022. 中國醫學影像人工智能20年回顧和展望. 中國圖象圖形學報，優先出版 ）[DOI: :10.11834/jig.211162]雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
