人工智能超越人类,提高AI深度学习效率

原标题:提高AI深度学习效率|清除"暗"数据为首要任务

“AI+医疗影像”:智慧医疗突破口

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

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。

人类医生无可替代,AI是目前最好的辅助工具。

图片 1

“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。”

图片 2

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。

智能机器可以简化抽象的检查、诊断流程,却无法对患者病情确诊承担责任;机器无法理解CT影像,但可以运行人造神经网络为影像科医生提供更全面的信息。

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。

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”。

看图识病,人工智能超越人类.gif

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。

TechWeb笔者坐在致远慧图研发的眼底检查仪面前,现场演示人员提醒笔者紧盯着机箱内闪亮的荧光点。启动键按下后,检查仪在2维平面内缓慢移动,准确的找到了眼球位置,机箱的摄像机前后对焦寻找最合适的距离,两次闪光后,笔者的眼底照片便在平板电脑上显示出来。

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。

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。

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。

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?

图片 3

图片 4

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。

图片 5

图片 6

“系统正在将照片发送到云端决策后台,请您稍等”,演示人员讲到。

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。

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.jpg

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。

不到半分钟,“检查结果”出来了,在复杂的底片上,能看到笔者眼球内部的血管与潜在异常情况。“请放心,您的眼底没有问题。”演示人员在云端回传的检测报告上,并未发现任何异常病变。

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。

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。

图片 7

图片 8

图片 9

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。

图片 10

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

病人的眼底检查结果,可以在一台机器人挂载的显示屏上查到。这台机器人连接着4G网络,可以在医院内任意角落摆放。

相关文章