陆远洲站在讲台中央，遥控笔握在右手，台下两千多人的目光齐刷刷落过来。

led屏幕上的标题还亮着，他没有急着翻页。

“im

a

surgeon。”

他顿了一下，扫了一眼台下清一色的影像科胸牌。

“im

not

here

to

tell

you

how

to

read

images。”

会场里有人笑了一声。

“im

here

to

tell

you

why

what

you

see

on

the

screen

often

doesnt

match

what

i

find

on

the

operating

table。”

笑声扩散开来，但只持续了三四秒就停了。因为所有人都意识到，这个外科医生不是在开玩笑。

陆远洲按下遥控笔，翻到第二页。

屏幕上出现一张ct增强扫描图，旁边是同一个病灶的术中照片。两张图放在一起，差异肉眼可见ct上看着边界清楚的肿瘤，术中实际浸润范围多出了将近一厘米。

屏幕上出现一张ct增强扫描图，旁边是同一个病灶的术中照片。两张图放在一起，差异肉眼可见ct上看着边界清楚的肿瘤，术中实际浸润范围多出了将近一厘米。

“这是我在国内做的一台肝脏手术。术前ct评估肿瘤直径三点二厘米，术中实际测量四点一厘米。相差零点九厘米。”

他停了两秒。

“零点九厘米，在影像学上可能只是一个参数误差。但在手术台上，这零点九厘米意味着肿瘤已经侵犯了门静脉右支。”

台下安静得能听见空调出风口的嗡嗡声。

“所以我们做了一件事建立标准化框架，让影像评估尽可能接近手术台上看到的真实情况。”

他翻到下一页。

屏幕上并排出现三组柱状图，黑白灰的底色配红色强调线，简洁到一眼就能看完。

第一组：肝脏影像组学模型。标准化前auc

0。79，标准化后0。89。

第二组：儿科肝母细胞瘤模型。标准化前0。75，标准化后0。86。

第三组：胰腺弹性形变补偿模型。标准化前0。81，标准化后0。88。

三组数据摆在一起，提升幅度从0。07到0。11不等，都是实打实的临床验证数据。

台下开始有人掏手机拍屏幕。

陆远洲没管这些，继续往下讲。

“标准化框架包含三个核心模块。第一，马尔可夫补偿算法，用于修正不同ct设备之间的灰度响应差异。”

他翻到技术细节页面，用激光笔点了一下公式推导的关键步骤。

“第二，体积比加权采样策略，解决小病灶在大器官背景下的信号淹没问题。”

“第三，ct-mri联合配准模块。这个模块大家应该比我更熟悉”他停了一下，“毕竟你们天天在看这两种图像。”

台下又有人笑了。

陆远洲没笑，继续说下去。