近日，人工智能国际顶级学术会议AAAI 2022公布录用结果，王连生老师实验室有3篇人工智能医疗方面的论文被录用。AAAI被中国计算机学会CCF和清华大学同时认定为A类会议，本次AAAI 2022会议共收到9251篇论文提交，经过两轮的严格审稿，最终只有1349篇论文被录用，论文录用率为15%。

王连生老师实验室此次被录用的3篇论文主要集中在病理图像处理、放疗中靶区勾画和医学小数据学习方面。论文的相关信息如下：

论文1. H2-MIL: Exploring Hierarchical Representation with Heterogeneous Multiple Instance Learning for Whole Slide Image Analysis

图1. H2-MIL框架示意图

本文提出了一种基于异构图神经网络的多实例学习框架（即H2-MIL）对全视野病理图像进行多尺度、层次化的分析，以获得更加结构化、判别性的表示。所提框架在公开的TCGA食管癌和肾癌数据集上进行了全面地评估，并在肿瘤分型和肿瘤分期两项任务中都取得了当前最先进的性能。

论文2：Separated Contrastive Learning for Organ-at-Risk and Gross-Tumor-Volume Segmentation with Limited Annotation

本工作针对现有的像素级别对比学习框架未考虑不同像素间特征共享的问题，提出了一种分离式的区域级别对比学习框架用于少量标注下的危及器官及靶区分割。该框架通过聚集同种器官的特征和判别不同器官的特征，在一个公开数据集和两个私有数据集上均取得了当前最好的性能。

论文3. Boost Supervised Pretraining for Visual Transfer Learning: Implications of Self-Supervised Contrastive Representation Learning   

本文通过一系列的探索实验及表征熵和一致性的定量分析，研究无监督预训练在图像分类任务中优于有监督预训练的情况和原因。本文发现，学习模型有效感知的信息量对迁移学习至关重要，而不是数据集的绝对大小。基于此，本文提出了基于类激活热力图引导的对比学习监督方法。该方法在小样本分类、语义分割、目标检测等任务上都取得了当前最好性能。