澳門理工大學科研團隊日前在2023全球醫學影像學大賽（RSNA Screening Mammography Breast Cancer Detection）從全球近2,000支參賽隊伍中脫穎而出，勇奪全球競賽銀獎，澳門理工大學參賽團隊由應用科學學院副教授檀韜指導、大數據與物聯網碩士課程研究生王榮勝參賽，比賽旨在有效識別乳腺癌，並通過研究和技術創新促進醫療服務。

北美放射學會（RSNA）是全球醫學影像學最頂級的會議，代表了來自全球 145 個國家和地區的 31 個放射學亞專業，引導著全球放射學研究和應用的方向。每年有超過5萬名醫生、研究學者和工業界人員參加。北美放射學會非常重視人工智能在影像學的應用，為推動人工智能在醫學影像學領域的研究和落地，從2017年起，北美放射學會設立了單獨的人工智能挑戰賽環節，並成為影像學競賽的錦標之一。今年北美放射學會和Kaggle（全球最大的公開數據和機器學習比賽平台）共同推出乳腺鉬靶檢測競賽，任務是開發一個機器學習演算法來篩查乳腺疾病，以提升篩查乳腺疾病的精準性及效率。

本屆全球醫學影像學大賽持續三個月，吸引了來自全球數十個國家近 2,000 支隊伍、2,146 位個人參賽者參與，其中包括來自全球著名醫療機構，美國賓夕法尼亞大學、東京大學、高麗大學、浙江大學、哈爾濱工業大學等海內外頂尖院校，醫學實驗室以及NVIDIA等機構人工智能實驗室的參賽者，使用北美放射學會與全球多個影像學實驗室合作提供的豐富乳腺鉬靶圖像資料集來開發解決方案，以根據患者鉬靶快速準確地檢測患者的乳腺健康狀態。資料包括來自13,000多個病人的54,000多幅乳腺鉬靶圖像。在這些資料中存在部分異常的“雜訊”標注資訊，參賽者們需要有效處理這一困難帶來的干擾。同時還要在規定的時間內完成模型的推理，這就要求參賽者在關注模型設計的有效性同時，還要考慮模型設計的高效性。

在該挑戰賽中，澳門理工大學團隊針對該賽題深入探究各種理論和實踐方法，相比於自然圖像，乳腺鉬靶圖像檢測具有更高的難度和更複雜的資訊聚集，很多常見的方法設計在本次競賽中很難產生正向效果。在副教授檀韜指導下和參賽團隊的多次探討中，最終他們採用多模型、多階段、多資訊融合的方法，通過結合病人鉬靶圖像的額外語義資訊，融合醫學圖像病變的關聯性，以及有效的資料採樣演算法，短時間內從超過五萬幅乳腺鉬靶圖像中找到了乳腺鉬靶圖像診斷規律，取得了公榜和私榜前百分之四的好成績，有效協助識別乳腺癌，大幅減少假陽性對患者帶來的不利影響，有希望對乳腺癌做早診早篩，有效提升醫療程序及質量。