对所有医学图像数据获得高质量人工标注是“不可能完成的任务”。为了克服“海量数据规模”与“有限人工标注”之间的矛盾，弱监督机器学习将是医学人工智能领域的重要研究方向。相比于传统的机器学习与认知方法，弱监督机器学习系统具有如下优点：一方面它可以解放大量人工标注所耗费的时间和精力，并将机器学习与认知推向更高层次的“人工智能”——人工智能技术的内在要求之一正是“解放人力”；另一方面它所拥有的自动标注数据的能力可以自动地对不限规模的视觉大数据进行标注，这样可以将海量人工标注无法涉及的数据引入到机器学习与认知过程中，大大丰富机器学习与认知系统的“知识面”。因此，弱标注下的图像理解方法将成为医学人工智能领域发展的重中之重。 项目的主要研究成果是： 1）针对弱监督目标识别问题，探索容易获取且具有显著指导意义的先验知识，完成运用流体力学先验知识指导血流储备分数估计。 2）构建基于多先验知识稳健嵌入模型的弱监督目标识别框架。利用从不同途径获取的具有指导意义的先验知识，为目标识别的学习过程提供指引。 3）构建基于多任务协作模型的弱监督学习框架。利用多个相关任务（例如目标识别与分割任务）之间的内在关系，建立能够同时解决多个相关任务的深度网络模型。 4）构建基于跨模型协同学习方略的弱监督目标识别框架。 5）构建大规模复杂医学图像测试库并进行定量分析，已经构成一个心脏超声数据。 该项目成果依托项目参与单位深圳科亚医疗已经开始在临床医院应用。