快捷搜索:

您的位置:金莎娱乐 > 技术 > 智慧医疗突破口,看图识病

智慧医疗突破口,看图识病

发布时间:2019-08-12 18:58编辑:技术浏览(53)

    以往数据似乎就是片段的资讯,然而现在图形数据已经可以透过强大的图形处理器(GPU),提供既快速又系统化的分析。不过在电脑断层扫描(CT)的分析上,有时候还会出现AI分析的结果与医生的判断有出入。此时,就必须比对神经网络、医生诊断和CT图片上的各种差异。

    斯坦福的研究人员一项发布在Nature上的研究显示,他们用卷积神经网络(CNN,深度学习一个最广泛的应用)做皮肤癌诊断,与21位皮肤科医生对比测试,结果所测的精确度与人类医生相当。另有一项利用CNN对糖尿病视网膜病变的诊断,结果显示,其算法的性能与眼科医生的水平一致。

    太酷医疗

    郑冶枫博士以肝癌为例,“有时候跨模态生成的图像会扭曲,会生成一些新的病灶,也可能遗漏一些病灶,为此,我们在研究过程中会加上各类限制,减少生成图像的失真。我们的算法很完美地保留了器官和病灶的形状,是在用非常真实的图像作为训练任务,通过这种方法,能够让准确率得到明显的提升。”

    Bergan指出,在训练AI系统的深度学习过程中,研发人员必须不怕出错,在不断试验的过程当中,神经网络会依循每一次的结果改进,并给予不同以往的产出。研发人员必须评估神经网络产出的结果,并调整网络的学习数据。

    邢磊认为“仍处于非常原始的阶段”。

    人工智能医疗诊断

    而现在,医疗AI却面临“双重挑战”,一是缺乏训练样本,二是缺乏标注。

    责任编辑:

    相比业内人士,投资圈人士相对冷静,在峰会现场,有投资者发问:依靠医学影像与病例病史等资料的整合,来做出综合的智能分析决策,现在处于何种阶段?

    金莎娱乐下载 1

    我们都知道人要保持充沛的精力,离不开食物、水等能量供给,只有保持充沛精力才会有力量去发现、去创造。

    金莎娱乐下载 2

    “从数量上讲,超过80%的医疗数据来自医学影像数据;从多样性上来讲,多模态影像、病理、检验、基因及随访信息等影像数据的种类繁多,高性能计算多层神经网络模型能够应用在影像数据;此外,影像的数字化及报告的结构化也确保了数据最真实可用。”在近日举行的“智慧未来:医疗人工智能峰会”上,汇医慧影CEO柴象飞对“AI 医疗影像”充满信心:“医学影像天生适合互联网 大数据 人工智能。”

    一直以来,国内外专家学者都在积极探索在智能医疗影像分析的新突破。比如,太酷科技创始人、澳大利亚新南威尔士大学计算机与人工智能专家蔡雄才博士团队在国际神经信息处理大会(ICONIP)上发表了一种全新的基于神经网络、机器学习技术的主动选择识别图像轮廓的算法模型。在该算法模型下,图像提取与识别的每个步骤中都将选取自适应、最优轮廓,然后采用循环神经网络融合图像。它有效地避免了当图形个体特征没有明显区别时,图像无法识别的状况。该算法模型不仅将充实太酷医疗智能决策系统,还有望快速推动国内医疗影像技术更进一步的发展。

    当前人工智能技术的迅猛发展,与强大的计算能力、合理的优化算法和高质量的大数据密切相关。要让机器像人类那样思考,成为医生的得力助手,就必须“喂”给它大量的数据,帮助它从中找出规律。但是,在医疗人工智能领域,这一切却没有这么简单。郑冶枫博士提到,近年来,深度学习在包括图像识别、游戏、语音识别、自然语言处理等方面取得了重大发展。但是,医疗AI的发展却面临“双重挑战”。

    举例来说,当系统判断病患有67%的死亡率,数据人员就必须依照最后病患实际的存活状况来调整系统的数据设定。通过真实的结果与事先预测之间差异的反馈,才能不断提高之后的预测精准度。

    深度学习技术几乎是目前医学影像领域效果最好的技术。“深度学习及强化深度学习,代表目前新潮的技术,它们能解决很多以前不能解决的问题,把医疗AI推向新的高潮。”邢磊说。

    看图识病,人工智能超越人类.gif

    “把编码器训练好之后,就将其迁移到其它任务,如肺部分割和肺结节良恶性判断上。采用公开数据集,发现不仅仅分割可以做得很好,分类也可以做得很好。”郑冶枫博士强调,“在医疗AI上,技术方面大部分工作都差不多,最后的竞争还是在细节方面。”

    原标题:提高AI深度学习效率|清除"暗"数据为首要任务

    自2012年深度学习技术被引入到图像识别数据集ImageNet之后,其识别率近年来屡创新高,并且在某些领域达到或超过人类水平。深度学习技术加上医疗影像领域积累多年的数据,正在给这一领域带来令人惊喜的突破。

    金莎娱乐下载,关于太酷科技

    金莎娱乐下载 3

    想要将某个领域的发展继续推进,有时候必须停下来看看现有的状况,进行策略性整理和分析,才能订出未来发展的大方向。医疗领域的发展也是如此,在医院收集的数十亿笔病例中,包括CT图、X光图、病理图等数子化医疗记录,我们为了要发展精准的医疗科技,近几年科学家希望能通过人工智能的技术在这些数据中找出核心关键。

    邢磊表示,这是一个渐进的过程,借助AI会使机械式的非精准医疗渐渐消失,但是把所有医疗工作完全交给机器还不太可能,“至少还有很漫长的路要走”。

    与传统的人工医疗影像分析手段相比,人工智能更能准确、快速的分析处理医疗影像。 特别是在目前绝大多数医疗数据均来自于医疗影像的情况下,人工智能更是显示出其海量数据处理的优势。不仅中低水平医生阅读医疗影像存在困难,即便是高水平医生,对于医疗影像的阅读判断,也是要消耗大量的时间精力。比如核磁共振(CT)图像是多张,每张都需要查看,而且早期的病变很小,CT信号并不明显,因此导致的漏诊率、误诊率较高。而基于人工智能的智能医疗图像分析系统可以轻松的从海量图像数据中学习出诊断模式和规律,从而快速准确的做出诊断决策和治疗方案。

    “腾讯觅影”能精确定位3mm以上的微小肺结节,检出率≥95%

    目前医疗护理流程图、医生诊断记录、放射科报告、肺部疾病报告的数字化医疗数据都可以透过AI进行分析。研究员Bergen表示,在进行数据分析之前,整理杂乱且无法直接使用的暗数据(Dark Data)是相当重要的一点。技术人员提供整理过的数据给AI系统进行深度学习,在这过程中包含了收集大量数据、清除暗数据、训练神经网络和通过网络内容进行分析。

    “AI 医疗影像”:智慧医疗突破口

    深圳太酷科技有限公司于2017年1月成立,由资深计算机科学家、数据科学家、软件工程师、医疗专家和管理专家组成,致力于利用人工智能技术搭建医疗与健康平台,实现现代科技和健康的完美结合!

    {"type":2,"value":"

    金莎娱乐下载 4

    此外,医疗健康的需求端急剧上升和供给端的严重不足也正在驱使人工智能等技术与医疗健康行业的结合。英特尔医疗与生命科学集团亚太总经理李亚东指出,人口老龄化以及慢性病问题带来的一系列医患问题,都在呼唤着技术创新这条出路。

    人类作为视觉动物,一半的脑容量都用于处理图像。而作为模拟人类大脑功能的人工智能近期在图像识别方面取得的突飞猛进,更充分展示出人工智能的魅力和前景。特别是结合了人工智能和医疗健康的智能图像分析技术,必将是人工智能率先普及的一个领域,也已经成为人工智能技术发展与投资的风口。

    通过迁移学习、计算机合成图像等方法,影像诊断领域的深度学习取得了显着进展。以肺结节检测为例,郑冶枫博士介绍道,目前肺结节检查方式主要是肺部CT,随着薄层低剂量CT的应用,图像数量的倍增、小结节显示率的提高及结节的定量测量等使得读片的难度显着增加,同时,繁重、枯燥的阅片工作使影像科医师的疲劳度增加,漏诊、误诊的风险也在增加。

    来自美国斯坦福大学(Stanford University)博士研究员Leon Bergen在TRANS Conference 2018论坛上表示,医疗机构现有的数据将会是未来数字医疗发展的重要资料库,我们通过计算机建模和实验来研究语言学方法,在语言分析过程中清除不相关的资料。拥有一个有效且完整的医疗数据库,必须先清除医疗资料库中的暗数据,才能进一步分析,并提供医疗人员正确的决策方向。

    中国中国医学装备协会理事长、原卫生部规财司司长赵自林对此并不意外。他认为,人工智能在提高健康医疗服务的效率和疾病诊断准确率等方面上“具有天然优势”,在深度学习算法和大数据技术等的强力推动下,各种旨在提高医疗体验以及降低医疗成本的先进应用正在应运而生,这其中包括医疗诊断、辅助治疗与健康管理、药物研发等。

    人工智能的普及,必将给我们生活水平的提高带来颠覆性的飞跃。我们期待着以人工智能技术为基础的智能医疗早日普及开来,为全人类医疗领域的进步起到更大的推进作用。

    另一方面,疾病本身的特殊性也对算法工程师获取样本造成阻碍,郑冶枫博士表示,“对于一些罕见病种,能够找到的图像就只有几百张或者一千来张,因为每年的发病量就那么多。”

    金莎娱乐下载 5

    “当然,这方面开始‘想’的人多,做的人少。因为实施起来有很大的难度。”邢磊表示,首先必须先有技术,医生不可能自己写程序,而且得有大量的临床数据证明这样的做法的有效性,大家才会接受。

    金莎娱乐下载 6

    这两大挑战让深度学习严重“弹药不足”,由此衍生出的“小样本学习”问题一定程度上阻碍了AI医学影像的发展,难道就这样止步不前?这些问题到底该如何突破?

    金莎娱乐下载 7

    对此,从事医学影像、肿瘤放射以及生物信息方面的研究超过20多年的斯坦福大学终身教授、斯坦福大学医学物理部主任邢磊认为,将来每个放射科医生手机或电脑终端都应该有一个智能分析决策的APP,“人工智能将扮演辅助分析决策的角色”。

    金莎娱乐下载 8

    在5月30日-6月2日的“中国医师协会第十三次放射医师年会”上,腾讯优图实验室医疗AI总监郑冶枫博士,在题为“深度学习在医学影像分析上的应用”的分享中,讲述了腾讯优图实验室通过迁移学习和计算机合成图像两大方法,突破医疗AI数据量不足,没有办法像传统机器学习那样用大数据进行喂哺的问题。

    对于人工智能是否取代人类,Bergen 表示,许多评论都认为在未来几十年之内,AI很有机会在很多领域的分析胜过人类,但要完全取代人类还是有困难的!返回搜狐,查看更多

    “需要创新才能够解决这些固有的存量问题和正在加剧的新的增量问题。单纯的按照过去的传统的方法,通过单纯增加供给,或者限制需求来解决这个问题是走不通的。”李亚东指出,人工智能给医疗行业打开了一扇窗。

    关于太酷医疗

    另一个方法则是计算机合成图像。通过影像跨模态转换,计算机合成图像能够有效补充训练样本,而生成对抗网络则让训练如虎添翼:一个网络生成图像,一个网络鉴别目标的真伪,把两个网络做一些联合训练。训练结束时,生成网络可以产生非常逼真的图像。

    邢磊还举出汇医慧影的例子:汇医慧影已经在打造一个智能医疗影像平台,并已取得了惊人的进展。

    看图识病,人工智能超越人类.jpg

    医疗AI逐步落地 提升诊断准确率和效率

    “我们在实践中发现,优质、大量的数据的积累;高性能计算环境;优化的深度学习方法;三者资源配齐就会构建不断提高的状态的模型,这正是人工智能的魅力所在。”柴象飞说。

    太酷科技的太酷医疗人工智能医疗系统,专注于解决“看病难”这个医疗最大的痛点。国内优秀医生数量相对较少、且分布不均匀,因此导致了众多病友难以获得高水平医生的有效诊治。太酷医疗智能系统通过数据挖掘与机器学习,深度整合了国内外高水平医生的诊断病历经验知识、学术论文、科研实践成果,并融汇了传统医学诊断所使用的临床与病理医学指南知识。
    太酷医疗智能系统为医生诊断提供强有力的决策支持,不仅减少了疾病漏诊率、误诊率,并从知识经验维度总体提升医生的诊断水平,尤其帮助中小级别医疗机构更快提升医生诊治水平和效率,为广大病友提供满意的医疗服务,从而从根本上弥补了国内高质量医疗诊治资源的稀缺,解决了“看病难”的问题!在此基础上,太酷医疗智能系统还直接面对病友用户,为其提供比传统轻问诊更精准、更优化的智能问诊用户体验。

    二是缺乏标注。郑冶枫博士介绍道,对于自然图像来讲,其标定相对容易,即便是普通人也能够直接标注。但医学影像不同,其标注需要行业顶尖的专业医生参与。“现实是,培养一个医生需要十年时间甚至很长,加上临床、科研任务重,做数据标注对于医生来说也是‘有心无力’。”

    柴象飞介绍说,该公司正在利用网络的层级模拟了人脑对图像的认识过程。人脑对图像会分为如颜色、形状、抽象识别等五部分进行处理,因此在不同的区域,模拟认知的过程的算法也会不一样。

    看图识病,人工智能超越人类.jpg

    迁移学习这个要如何理解呢?郑冶枫博士用了一个生动的比喻:“比如说一个人去森林里找老虎,但从来没有见过老虎,不知道老虎长什么样。但假如他可以把猫和狗、狐狸等其他动物区分开来,就可以先训练他去找猫,这就是预训练的过程。接下去,我们告诉对方:老虎就是黄色的猫放大100倍,从而达到‘找老虎’这个目的。”他强调,迁移学习非常适用于解决小样本的训练问题。

    “现在医院对病人进行系统的综合的智能分析决策做得还不够,比如今天拿到一名病人的核磁结果就分析一下,但实际上,这名病人也许在十年前也留下了相关的核磁、CT及病例病史等结果,这些历史数据是否能够整合呢?”邢磊认为,如果有了全面的智能分析决策之后,效果会好的多。

    AlphaGo、IBM Watson、深度学习……
    人工智能正在颠覆我们的社会与生活

    人工智能的运用,使得这些问题逐步得到解决。经过不断地迭代和更新,“腾讯觅影”早期肺癌筛查AI系统采用了腾讯优图实验室的“端到端肺癌辅助诊断技术”,能够精准定位微小结节位置和辅助医生准确判断患者患有肺癌的风险。

    目前医学影像已经成为人工智能在医疗应用中最热门的领域之一。据统计,2016年以来,已有近20家人工智能 医学影像公司先后获得投资。

    金莎娱乐下载 9

    金莎娱乐下载 10

    “抛开政府背书,人工智能也正迎来技术创新红利,尽管人工智能还处于技术创新期,但人工智能的基础已经充实。”赵自林说,云计算把信息基础云化,人工智能算法响应速度更快;大数据计算过程中积累了大量数据,依托数据为基础的分析和精准判断决策成为可能。除此之外,深度学习的发展为人工智能的突破贡献了重要力量:“计算机视觉、语音听觉、自然语言处理技术上的突破,计算机具备了人的双眼的能力,甚至准确度上已经超过了人本身。”

    看图识病,人工智能超越人类.png

    针对这两大挑战,郑冶枫博士提出,有两种方法有助于解决这一问题:一是迁移学习;二是计算机合成图像,比如生成对抗网络。

    国际核能院院士、清华大学计算机系教授张勤对AI 医疗提出这样的畅想:“把院士的‘看病本事’放到一台电脑里,通过联网为基层医院‘赋能’,让基层或社区达到三甲医院的院士水平,这就是我们人工智能追求的境界,这就是需要落地的东西。”他表示,如果能做到这一点,医疗资源分配不均的问题也会迎刃而解。

    金莎娱乐下载 11

    医疗AI面临“双重挑战”

    郑冶枫博士表示,全卷积神经网络有两部分,一部分是编码器,把图像不断卷积和下采样,最后压缩到低维空间,这是不同任务可以共享的。一部分是解码器,不断卷积和上采样,最后输出一个输入图像大小一样的分割结果,这部分是每个任务独有的。“我们预训练的编码器会把所有任务的图像都看一遍,因此训练得非常好。”

    目前,“腾讯觅影” 通过人工智能医学图像分析能力辅助医生阅片,已经能精确定位3mm以上的微小肺结节,检出率≥95%。同时,除早期肺癌外,“腾讯觅影”还能利用AI医学影像分析辅助临床医生筛查早期食管癌、眼底疾病、结直肠肿瘤、宫颈癌、乳腺肿瘤等疾病。

    郑冶枫博士在中国医师协会第十三次放射医师年会上做主题演讲

    一方面,图像采集的“高门槛性”也制约着训练样本的获取。“医学影像采集需要专门的设备,有一些设备非常昂贵,比如CT和核磁。”

    金莎娱乐下载 12

    预处理模块、检测与识别模块是这一系统的核心算法。前者利用肺部的三维分割和重建算法,可以处理不同CT成像设备在不同成像参数条件下产生的不同源数据。而后者采用了“深度学习领域最好的分割算法”——全卷积神经网络,可以实现早期肺结节检测和分割。

    腾讯优图实验室是腾讯顶级人工智能实验室之一,专注于在人脸、图像、视频、医疗影像等领域开展技术研究。腾讯首款将人工智能技术运用在医学领域的产品“腾讯觅影”,即是由腾讯医疗健康事业部牵头,优图实验室提供的算法支持。

    比如在良恶性的判断上,腾讯提出了Med3D预训练模型,该模型采用多个公开竞赛数据集进行训练。通过选取三维医学影像进行图像分割任务,并对这些数据进行抓取、收集,预训练一个模型,能够大幅提高分割和分类的准确率,解决了大部分结节不活检,不知道良恶性的问题。”

    一是缺乏训练样本。郑冶枫博士表示,“深度学习的目标是尽量端对端,图像进去、结果出来,因而网络越来越大,越来越多层,需要的训练样本也越来越多。”但与自然场景下自然图像获取不同,医学影像的获取十分艰难。

    同样,要想一个医疗AI像人类那样思考,成为医生的得力助手,就必须“喂”给它大量的数据,帮助它从中找出规律。

    两大方法突破医疗AI小样本学习问题

    本文由金莎娱乐发布于技术,转载请注明出处:智慧医疗突破口,看图识病

    关键词: