澳理大大数据与物联网硕士研究生王荣胜（右）勇夺全球医学影像学竞赛银奖，左为指导老师檀韬。
澳门理工大学科研团队日前在2023全球医学影像学大赛（RSNA Screening Mammography Breast Cancer Detection）从全球近2,000支参赛队伍中脱颖而出，勇夺全球竞赛银奖，澳门理工大学参赛团队由应用科学学院副教授檀韬指导、大数据与物联网硕士课程研究生王荣胜参赛，比赛旨在有效识别乳腺癌，并通过研究和技术创新促进医疗服务。
北美放射学会（RSNA）是全球医学影像学最顶级的会议，代表了来自全球 145 个国家和地区的 31 个放射学亚专业，引导着全球放射学研究和应用的方向。每年有超过5万名医生、研究学者和工业界人员参加。北美放射学会非常重视人工智能在影像学的应用，为推动人工智能在医学影像学领域的研究和落地，从2017年起，北美放射学会设立了单独的人工智能挑战赛环节，并成为影像学竞赛的锦标之一。今年北美放射学会和Kaggle（全球最大的公开数据和机器学习比赛平台）共同推出乳腺钼靶检测竞赛，任务是开发一个机器学习演算法来筛查乳腺疾病，以提升筛查乳腺疾病的精准性及效率。
本届全球医学影像学大赛持续三个月，吸引了来自全球数十个国家近 2,000 支队伍、2,146 位个人参赛者参与，其中包括来自全球着名医疗机构，美国宾夕法尼亚大学、东京大学、高丽大学、浙江大学、哈尔滨工业大学等海内外顶尖院校，医学实验室以及NVIDIA等机构人工智能实验室的参赛者，使用北美放射学会与全球多个影像学实验室合作提供的丰富乳腺钼靶图像资料集来开发解决方案，以根据患者钼靶快速准确地检测患者的乳腺健康状态。资料包括来自13,000多个病人的54,000多幅乳腺钼靶图像。在这些资料中存在部分异常的“杂讯”标注资讯，参赛者们需要有效处理这一困难带来的干扰。同时还要在规定的时间内完成模型的推理，这就要求参赛者在关注模型设计的有效性同时，还要考虑模型设计的高效性。
在该挑战赛中，澳门理工大学团队针对该赛题深入探究各种理论和实践方法，相比于自然图像，乳腺钼靶图像检测具有更高的难度和更复杂的资讯聚集，很多常见的方法设计在本次竞赛中很难产生正向效果。在副教授檀韬指导下和参赛团队的多次探讨中，最终他们采用多模型、多阶段、多资讯融合的方法，通过结合病人钼靶图像的额外语义资讯，融合医学图像病变的关联性，以及有效的资料采样演算法，短时间内从超过五万幅乳腺钼靶图像中找到了乳腺钼靶图像诊断规律，取得了公榜和私榜前百分之四的好成绩，有效协助识别乳腺癌，大幅减少假阳性对患者带来的不利影响，有希望对乳腺癌做早诊早筛，有效提升医疗程序及质量。