BIBM 2024会议开幕式精彩亮相，最佳论文和学生最佳论文奖揭晓
2024年12月4日早上8:45，IEEE BIBM2024 在IST会议中心举行了隆重的开幕式。开幕式由会议组委会主持，主要介绍了本次会议的论文投稿情况、录用文章的数量、作者的国家分布，以及最佳论文奖的评选结果。
论文投稿情况与国家分布
本次会议共收到来自世界各地的论文投稿，数量达到1627篇，展现了全球学者对生物医学信息学领域的浓厚兴趣和积极参与。在所有投稿中，最终录用了358篇常规论文和374篇短文。为了更加细致地展示会议的研究广度和深度，BIBM 2024会议设立了六个研究主题，涵盖了多个生物医学信息学领域的前沿课题。具体的录用情况详见图2。
在全球投稿者的背景中，来自31个国家的学者积极参与其中。其中，中国学者占比超过90%，这反映了中国在生物医学信息学领域的研究实力和国际影响力。
最佳论文奖与学生最佳论文奖
本次会议特别设立了“最佳论文奖”和“学生最佳论文奖”，以表彰在学术创新、研究深度和社会影响力方面表现突出的论文。评审委员会经过严格评选，最终揭晓了两项重要奖项：
- 最佳论文奖：由论文《SMCL-MDR: Predicting miRNA-Drug Resistance using Self-Attention Mechanism and Contrastive Learning》获得。这篇论文通过自注意力机制和对比学习方法，创新性地预测了miRNA-药物抗性，推动了生物医学领域的研究进展。
- 学生最佳论文奖：由论文《Empowering Cross-Patient Epilepsy Diagnosis from Diverse-Sampling Low-Quality EEG Signals》获得。该研究针对跨患者癫痫诊断，提出了基于低质量EEG信号的多样本采样方法，具有重要的临床应用价值。
此次奖项的设置不仅表彰了研究的创新性，还激励了更多年轻学者和学生积极参与生物医学信息学领域的研究和探索。
Keynote Talk：数据特征对医学成像人工智能性能的影响：来自最近研究的见解
讲者：Dr. Sameer Antani (美国国立卫生研究院)
Sameer教授在开场时直接指出，数据是推动机器学习与人工智能发展的核心资源。然而，医疗数据的特殊性质可能会影响机器学习和人工智能算法的准确性。例如，医学图像的维度差异（如2D和3D图像）、数据的多样性（包括病例差异、影像解剖结构、病理类型及其严重程度等）、采集协议的差异、数据不平衡问题、标注的可变性，以及天然存在的多模态性等，都为人工智能算法的应用提出了不同的挑战。
接着，Sameer教授以东南亚地区高发口腔癌为例，深入阐述了本次演讲的核心观点。他强调，我们需要明确医学图像分割的标准，并思考如何量化这一标准。如何通过AI模型精确判断病变区域，以及如何减少AI模型的不确定性，提升诊断的准确性，都是当前医学AI面临的关键问题。通过对训练数据的不断分析与优化，人工智能模型能够更好地适应不同患者群体的需求。
此外，Sameer教授还提到，数据偏倚与隐私保护也是我们在使用AI时亟待解决的重要问题。如何合理利用现有数据，避免因数据偏倚而影响诊断结果，依然是一个巨大的挑战，值得我们深入思考和探索。
录用论文口头汇报
实验室成员程俊龙在“数据挖掘、机器学习与人工智能”Session中作了口头报告，分享了其与团队共同完成的论文《BAformer：Boundary Adaptive Transformer for Medical Image Segmentation》，并与会的学者及Session主席展开了深入讨论。
这篇论文提出了一种名为 BAformer 的医学图像分割方法。该方法基于Transformer架构，结合了边界自适应机制，旨在提升医学图像分割的准确性和效率。医学图像分割任务中，病灶区域常常表现出尺度、颜色的显著变化，且与正常组织的对比度较低，导致边界模糊，给自动分割带来了巨大的挑战。传统的分割方法难以有效捕捉到局部与全局特征，且无法很好地处理模糊的边界区域。
针对这些挑战，BAformer 提出了创新的解决方案，论文的主要贡献可总结为以下几点：
- 局部与全局信息的有效提取：BAformer结合局部特征和全局上下文信息，能够帮助模型更准确地理解图像内容，从而提升分割精度。局部特征揭示了微观信息，而全局上下文则提供了更宏观的视角，有助于模型进行全局分析。
- 边界感知的增强：BAformer引入了边界提取模块（BEM），专门用于增强网络对病变区域边界的关注。特别是在病变区域与正常组织对比度较低且边界模糊的情况下，BAformer能够有效提升分割效果。
- Transformer架构的优势：BAformer利用Transformer的自注意力机制捕捉长距离的依赖关系，同时与卷积神经网络（CNN）结合，通过密集连接（DenseFFN）增强了特征的表达能力，有效弥补了CNN在捕捉全局信息方面的不足。
讨论与回应
在报告过程中，Session主席针对论文提出了两个关键问题，程俊龙在现场做出了详细解答：
- 关于Ground Truth（GT）与病灶区域的差异
主席提到，论文中使用的Ground Truth与实际观察到的图像病灶区域存在差异，是否可以认为GT存在误差？
回应：GT是由ISIC官方提供的手动标注，虽然在大多数情况下标注是准确的，但由于某些病变区域与正常组织颜色相近，这可能导致某些区域并不被标注为病灶。因此，这也是该任务的一大挑战，而非GT的误差。 - 关于模型可视化过程中的病灶漏检问题
主席指出，在BAformer的模型可视化中，某些细小的病灶区域未能被检测到，是否意味着模型的性能需要进一步提升？
回应：尽管与Baseline模型相比，BAformer在分割精度上有了显著提升，尤其是在处理模糊边界时表现优越，但仍有进一步提升的空间。未来的研究方向之一将是探索更加具有可解释性的模型，并持续优化模型性能，以进一步提升细节分割的准确性。