医学影像大数据与人工智能的前世今生

05

不准确、缺口大，人工智能的出场背景

今年8月，国务院印发了《“十三五”国家科技创新规划》的通知，人工智能成为一大重点。《规划》明确指出，重点发展大数据驱动的类人智能技术方法;突破以人为中心的人机物融合理论方法和关键技术，研制相关设备、工具和平台;在基于大数据分析的类人智能方向取得重要突破，实现类人视觉、类人听觉、类人语言和类人思维，支撑智能产业的发展。

在我们探讨如何将人工智能应用到医学影像之前，先要搞清楚在没有人工智能的情况下，医学影像所面临的两个问题。

据动脉网了解，医疗数据中有超过90%的数据来自于医学影像，但是这些数据大多要进行人工分析。人工分析的缺点很明显，第一是不精确，只能凭借经验去判断，很容易误判。中国医学会的一份误诊数据资料显示，中国临床医疗每年的误诊人数约为万人，总误诊率为27.8%，器官异位误诊率为60%，恶性肿瘤平均误诊率为40%，如鼻咽癌、白血病、胰腺癌等，肝结核、胃结核等肺外结核的平均误诊率也在40%以上。

第二是缺口大，按照动脉网蛋壳研究院的数据，目前我国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率约为4.1%，其间的差距是23.9%，放射科医师数量增长远不及影像数据增长。这意味着放射科医师在未来处理影像数据的压力会越来越大，甚至远远超过负荷。

这点从现阶段放射科医师的工作状况也能看出来，今年1月份，医学界曾对名医学影像医生做过调查，其中有一项数据很值得注意：有超过71%的影像医生期盼放射假的回归。

报告里的数据显示，有超过50%的医生工作时间在8小时以上，20.6%的医生每天平均工作时间超过10个小时，多位医生反映放射假有名无实。不少医生留言，希望有天能享受到被剥夺已久的放射休假和公休假，多陪陪家人！

那么，面对目前医学影像误诊率高、缺口大的问题，应该通过何种方式去改变呢？最好的答案，便是人工智能。

06

人工智能的黑科技——多层卷积神经网络结构

人工智能在医学影像的应用主要分为两个部分：第一个部分是图像识别，在前文我们已经作了说明；第二个部分深度学习，是人工智能应用的最核心环节。这两个部分都是基于医学影像大数据所进行的数据上的挖掘和应用。

年，神经网络领域的大师GeoffreyHinton教授与其博士生在《Science》和相关期刊上发表了论文，首次提出了“深度信念网络”的概念。与传统的训练方式不同，“深度信念网络”有一个“预训练”（pre-training）的过程，这可以方便的让神经网络中的权值找到一个接近最优解的值，之后再使用“微调”(fine-tuning)技术来对整个网络进行优化训练。这两个技术的运用大幅度减少了训练多层神经网络的时间。他给多层神经网络相关的学习方法赋予了一个新名词–“深度学习”。

年，Hinton教授的研究团队参加了斯坦福大学Fei-FeiLi教授等组织的ImageNetILSVRC大规模图像识别评测任务。该任务包括万张高分辨率图片，个类比。Hinton教授团队使用了全新的黑科技多层卷积神经网络结构，突破性地将图像识别错误率从26.2%降低到了15.3%。这一革命性的技术，让神经网络深度学习以极快的速度跃入了医疗和工业领域，这才有了后来一系列使用该技术的医学影像公司的出现。

比如国际知名的医学影像公司Enlitic和国内刚刚获得有峰瑞资本万天使轮融资的DeepCare。都是通过积累大量影像数据和诊断数据，来不断对的神经元网络进行深度学习训练，从而提高医生诊断的准确率。

以Enlitic公司开发的恶性肿瘤检测系统为例，它通过使用肺癌相关图像数据库“LIDC（LungImageDatabaseConsortium）”和“NLST（NationalLungScreeningTrial）”进行验证，结果发现，该公司开发的系统的肺癌检出精度比一名放射技师检查肺癌的精度高5成以上。

总而言之，人工智能结合医学影像的益处多多，患者、放射科医师、医院均能从人工智能的应用中受益。人工智能不仅能更帮助患者更快速地完成健康检查，包括X光、B超、核磁共振等。同时也可以帮助影像医生削减读片时间，提升效率，降低误诊的概率，通过提示可能的副作用来辅助诊断。

随着人工智能和医学影像大数据在医学影像领域的逐渐普及和应用，医学影像所面临的准确度和大缺口的问题便可以迎刃而解，两者的融合，将成为医学影像发展的重要方向。

编辑/Yiyi

来源/动脉网

文字版权归原作者所有，如不愿被转载，请联系，即删除

想了解更多？那就赶紧来







































拉萨白癜风医院
贵州最好的白癜风医院