1、人工智能在医疗领域中的应用人工智能可以应用到医疗的很多分支。基于医疗图像，文字，检验报告等都可以帮助医生诊断。 比如这几个问题: 1. CAD (computer-aided diagnosis): 计算机辅助诊断 2. CBIR (content-based image retrieval): 基于内容的图像检索 3. 图像质量评估 4. 大脑映射 Mammography CAD 乳房 X 光片辅助诊断 乳房 X 光可以发现早期乳腺癌。辅助诊断在乳房 X 光片中可获得很好的效果。研究表明,如果让 两个专家评估同一张乳房 X 光的话,失误率会降低很多。但专家费用高,也很难有时间帮助其他 专家。
2、所以让计算机充当另一个专家成为首选,在只增加很少的费用的前提下,大大提高了精度。 早期乳腺癌是通过探测 X 光中的 Microcalcifications (MCs)进行的。MCs 集群往往是乳癌的警讯。传统的 MCs 自动探测是用 SVM。SVM 取得了较好的效果,已经接近专家的精度。我们计划把深 度学习应用在 MCs 的探测上。深度学习可以达到高于专家的正确率。 CBIR 由于机器学习辅助诊断是一个黑箱 ,为了增加说服力,一个方法是对阳性结果给出类似的已知的案例。比如,如果机器学习判断一个病例有乳腺癌,而且在数据库里能够发现若干确诊的和这个 病例接近的 X 光,那么这个判断可能就是有效的。
3、所以,给一个 X 光,我们要在数据库里找到和 它最接近的 X 光。传统的方法是对每张 X 光计算若干特征值,然后计算不同 X 光特征值的距离。 我们会采用深度学习,并使用 CNN 来计算不同图像的相似度。 图像质量评估 医学图像的质量决定了它的可靠性。判断图像的质量是医疗中的一个重要问题。传统的方法是计 算图像的一些统计值,比如 channelized Hotelling observer (CHO),或特定的高斯过滤。但这些特定的方法都有各自的局限。SVR 机器学习被证明优于传统的方法。我们会使用深度学习来学习图像质量,当我们训练数据越来越多时，深度学习的效果会超越以往的 SVR 算法。而且
4、由于深度学习可以自动提取特征，所以节省大量人力物力。 大脑映射 大脑映射是为了发现大脑的功能区。传统的方法是用 PET(positron emission tomography)和 SPECT (single-photon emission computed tomography)。在发现 BOLD(blood oxygenation level dependent)后,fMRI (functional magnetic resonance imaging)开始大量使用。 一个研究大脑映射的实例是新药对大脑的影响。方法是选取一批实验个体，对每个个体扫描两次: 一次在服药后,一次在服安慰剂后。所
5、以每个个体有两张图像。而且我们知道哪张是服药后的图像。这成为一个分类问题: 给一个图像,我们要判断图像是否是服药后的图像。传统方法通过 SVD 降低维度然后用机器学习分类算法分类。一般精确度在 90%左右。我们会使用深度学习提高 精度。 智能诊断系统 客户是一家医疗机构。他们希望从 CT 或 X-Ray 判断病人是否患有肿瘤。客户提供图像及其是否健康的标志。用深度学习建立图像是否健康的分类模型。优势在于: 第一,我 们已经开发出图像分类深度学习的网络。这个网络适用于多种图像分类问题,运行速度快,结果 也非常好;第二,我们有一套算法可以减少图像噪声及提高运行效率。如果从 CT 或 X-Ray 无法判断是否有肿瘤,我们会建议病人做生理切片检查。 智能病理诊断有两个步骤，第一步是用大量数据训练出模型。这一步是线下的，比较费时。训练 出效果很好的模型后,我们就可以用它来对输入的图像进行预测和诊断。 除了对图像分类外,我们还可以对病历,检验报告做自然语言和数据处理,然后帮助医生诊断。
