在科研创新能力上，深睿研究院(Deepwise AI Lab)一直处于行业领先地位，是目前行业内规模最大的专注于人工智能医疗领域的研究机构之一，从成立以来一直致力于医疗前沿科技的探索，通过科技与临床的结合，产生了众多兼具临床价值和科技创新性的科研成果，陆续被国际顶级期刊和会议收录。截止到目前为止，深睿研究院在人工智能与机器学习顶级期刊及会议(如TPAMI、TCyb、ICML、CVPR、ICCV、ECCV、AAAI等)上发表论文三十余篇，其中涵盖了计算机视觉和模式识别领域三大顶级国际会议，尤其是连续两年在备受瞩目的顶级会议CVPR(谷歌2019学术榜Top 10)上均有学术成果发表，在国内人工智能领域的科技公司中处于前列;同时，在医学影像计算与分析领域，如IPMI、MICCAI、ISBI、RSNA、ECR等顶级会议上，发表论文近二十篇。 近期，深睿研究院又有两篇科研成果被刊登在国际顶级学术期刊上，体现了深睿研究院的持续创新能力。
其中与中国医学科学院肿瘤医院共同完成的“Long-term follow-up of persistent pulmonary pure ground-glass nodules with deep learning”(https://doi.org/10.1007/s00330-019-06344-z)被国际顶级放射学杂志European Radiology收录并发表。European Radiology是欧洲放射学会的会刊，创刊于1991年，在行业具有广泛影响力和不可或缺的学术地位，是放射学领域专家学者们不可或缺的信息来源，代表了最前沿的放射学科学，在综合类影像期刊中居第2位。
当前，肺癌已经成为中国发病率和致死率第一的癌症，而在国内通过人工智能技术辅助肺癌筛查已经得到了广泛的应用，但目前普遍停留在利用深度学习进行肺结节检测研究上。然而，对于肺结节的生长评估鲜有研究，尤其是对亚实性结节(纯磨玻璃结节和部分实性结节)的长期管理在临床上具有重要意义。其中管理长期存在的纯磨玻璃结节pGGN(Pure Ground Glass Nodule)存在着更多的争议。为了解决这些争议，有必要研究长期存在的pGGN的生长进展，精确测量其生长速度，并识别出影响其进展的风险因素。这篇论文的研究工作正是利用深度学习技术对肺部pGGN进行自动分割，并基于随访数据开展上述研究，为临床上量化评估肺结节提供给更为精准的依据。
本研究中，pGGN的自动检出和分割由来自深睿医疗的Dr. WiseAI肺结节辅助诊断系统实现，综合利用递归神经网络(Recurrent Neural Network, RNN)和卷积神经网络(Convolution Neural Network, CNN)，超过目前任何单一分割方法的效果。基于Dr. WiseAI肺结节辅助诊断系统对基线以及所有随访的胸部CT影像数据进行肺结节自动检出和分割，自动计算出pGGN的直径、密度、体积、质量、VDT(体积倍增时间)和MDT(质量倍增时间)，并通过以上量化指标探究肺pGGN的自然生长规律，准确测量pGGN的生长速度，并评估影响pGGN生长的危险因素，为临床上管理pGGN提供了重要的参考。本研究的结果表明，深度学习技术可辅助揭示pGGN的自然生长规律;其中长期存在的pGGN表现为惰性生长;有分叶征和较大基线直径、体积和质量的pGGN随访过程中更容易出现生长。
图1. 分叶状征、初始平均直径、初始体积和初始质量是预测pGGN是否进展的关键指标
同时，深睿研究院与北京理工大学合作完成的论文“A deep network for tissue microstructure estimation using modified LSTM units”(https://doi.org/10.1016/j.media.2019.04.006)被刊登在Medical Image Analysis(MIA)。MIA是国际医学图像计算和计算机辅助干预会议MICCAI的官方期刊，创刊于1996年，关注将计算机视觉、虚拟现实和机器人技术应用于医学影像领域的科研成果，其影响因子逐年上升，2018年达8.88，行业内知名专家学者关注度极高，被誉为高质量论文的衡量标尺。
本论文基于改进的长短时记忆(Long-Short Term Memory，LSTM)单元提出了一种用于估计组织微观结构的通用深度网络MESC-Net，提升了弥散磁共振成像 (Diffusion Magnetic Resonance Imaging，dMRI)质量。dMRI为非侵入式评估组织的微观结构提供了一种独特的工具，但由于模型较为复杂，通常需要带有大量弥散梯度的扫描序列来提升图像质量，而这导致了扫描时间的延长。在使用较少的弥散梯度时，用复杂信号模型来精确描述组织的微观结构具有一定的挑战性。所以，如何基于较少的弥散梯度得到较好的dMRI图像质量是科研上持续探索的一个难题。
本文提出的MESC-Net网络在弥散梯度减少的情况下可以提升图像质量，对于临床扫描上的价值则是可以缩短扫描时间，提升临床效率。另外，本研究提出的网络结构是一种通用的估计微观组织结构的网络，而不只是局限于某一种模型，为了验证该算法的通用性，实验还评估了基于三种信号模型NODDI(neurite orientation dispersion and density imaging)、 SMT(spherical mean technique)、 EAP(ensemble average propagator)估计得到的组织微观结构结果。实验结果表明MESC-Net可成功地应用于三种不同的模型，该方法可以作为组织微观结构估计的通用方法，拥有广泛的临床应用前景。
图2. 基于NODDI模型用MESC-Net计算得到的vic/viso/OD的横截面示意图，AMICO/MLP/MEDN/MEDN+/m-MEDN+均为对比方法
深睿医疗是一家注重前沿科技探索的公司，作为AI医疗领域的引领者，始终坚持将最先进的人工智能技术应用到医疗领域，以俞益洲教授(ACM 杰出科学家/IEEE Fellow)为核心的深睿研究院，一直致力于探索前沿的人工智能科技在医学领域的应用，通过Dr.Wise多模态科研平台的助力，不断深化与医院、高校在临床问题上的科研合作，提升科研效率，产出高质量的科研论文，并促进成果转化，让前沿人工智能技术和研究更加贴近临床需求，让AI真正落地到实际临床场景，助力国家智慧医疗建设。
进入2019年，深睿研究院有8篇论文入选人工智能顶级会议CVPR2019，实现了图像识别与医学影像分析等技术的创新性突破，跻身中国论文发布数量排名前列的科技公司之一。在今年10月召开的医学影像分析顶级国际会议MICCAI和11月召开的国际计算机视觉顶级会议ICCV上，深睿研究院又有10篇关于医疗人工智能领域的科研论文被收录。截止到目前为止，深睿研究院已发表50余篇顶级学术论文，累积影响因子超过80，论文接收率超过50%，彰显出深睿研究院强大的科研能力。
