2022年5月26日，受上海科技大学生物医学工程学院 (上科大生医工学院) 沈定刚教授的邀请，美国麻省理工学院电气工程和计算机科学系冠名杰出教授 Polina Golland 做客上科大生医工学术讲座, 分享了题为 “Learning to Read X-ray: Applications to Heart Failure Monitoring” 的报告。此次讲座由上科大生医工学院齐海坤助理教授主持。
Golland 教授是美国麻省理工学院电气工程和计算机科学系的 Henry Ellis Warren 讲席教授，也是麻省理工学院计算机科学与人工智能实验室 (CSAIL) 的学术带头人 (PI)。她主要的研究兴趣为发展创新的医学图像分析手段并推动临床应用，在医学图像分割、形状分析、功能成像分析及群组分析等方向均有优异的学术成果。同时，Golland 教授是 IEEE Transactions on Medical Imaging 和 IEEE Transactions on Pattern Analysis 期刊副主编， Medical Image Analysis 编委，也是 AIMBE Fellow、MICCAI Fellow。
在讲座中，Golland 教授首先介绍了心脏衰竭的成因、危害。心脏衰竭风险与肺水肿程度存在关联。据此，在临床实践中，X 光胸片是监测心脏衰竭风险的重要手段之一。
心脏衰竭的成因及其与肺水肿的关联
随后，Golland 教授介绍了她们研究组的具体研究工作。首先，Golland 教授研究组提出了一种基于临床 X 光胸片及其诊断报告文本一起联合训练的深度学习模型，用于监测病人心脏衰竭的风险，旨在解决 X 光胸片心脏衰竭相关准确标注较少的问题。
基于 X 光胸片及临床诊断报告文本的联合训练
在她们后续的工作中，观察到图像特征和报告文本段落更多存在局部对应性，她们提出了基于最大化局部互信息的图像-文本联合表示方法，进一步提升了深度学习心脏衰竭风险监测的准确性。
图像特征和报告文本的局部对应性
基于最大化局部互信息的
图像-文本联合表示学习
Golland 教授还分享了她们在深度学习诊断可解释性方面的探索经验。算法基于影像同时预测诊断结果及其病历文本中的对应描述，将病历文本引入深度学习算法提升了对机器决策的可解释性。
学习诊断影像特征及其病历文本中的描述
然而，同一影像中可能存在多种证据，不能准确地对应心脏衰竭风险的某一诊断等级，故 Golland 教授提出了一种正则化方法以提高支持证据与决策结果一致性， 使得深度学习算法提供的决策与证据可靠一致。
诊断等级与支持证据的不一致性
证据与决策结果一致性的正则化方法
在讲座最后，Golland 教授还对联合影像与文本的智能诊断、可解释的临床决策支持等发展方向进行了展望，并就报告内容和观众们进行了充分的互动。本次线上学术讲座吸引了近百名 Zoom 会议的参与者并在直播间达到了共计上千人次的点击率。
本期讲座完整录像请关注“上科大生医工学院”官方哔哩哔哩账号观看，观看地址：
https://www.bilibili.com/video/BV1sY4y1x7i9/
