人工智能在醫(yī)療領(lǐng)域中的應用

《人工智能在醫(yī)療領(lǐng)域中的應用》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、人工智能在醫(yī)療領(lǐng)域中的應用人工智能可以應用到醫(yī)療的很多分支?；卺t(yī)療圖像，文字，檢驗報告等都可以幫助醫(yī)生診斷。比如這幾個問題:1.CAD(computer-aideddiagnosis):計算機輔助診斷2.CBIR(content-basedimageretrieval):基于內(nèi)容的圖像檢索3.圖像質(zhì)量評估4.大腦映射nMammographyCAD乳房X光片輔助診斷乳房X光可以發(fā)現(xiàn)早期乳腺癌。輔助診斷在乳房X光片中可獲得很好的效果。研究表明,如果讓兩個專家評估同一張乳房X光的話,失誤率會降低很多。但專家費用高,也很難有時間幫助其他專家。所以讓計算機充當另一個專家成為首選,在只增加很少的費

2、用的前提下,大大提高了精度。早期乳腺癌是通過探測X光中的Microcalcifications(MCs)進行的。MCs集群往往是乳癌的警訊。傳統(tǒng)的MCs自動探測是用SVM。SVM取得了較好的效果,已經(jīng)接近專家的精度。我們計劃把深度學習應用在MCs的探測上。深度學習可以達到高于專家的正確率。nCBIR由于機器學習輔助診斷是一個黑箱,為了增加說服力,一個方法是對陽性結(jié)果給出類似的已知的案例。比如,如果機器學習判斷一個病例有乳腺癌,而且在數(shù)據(jù)庫里能夠發(fā)現(xiàn)若干確診的和這個病例接近的X光,那么這個判斷可能就是有效的。所以,給一個X光,我們要在數(shù)據(jù)庫里找到和它最接近的X光。傳統(tǒng)的方法是對每張X光計算

3、若干特征值,然后計算不同X光特征值的距離。我們會采用深度學習,并使用CNN來計算不同圖像的相似度。n圖像質(zhì)量評估醫(yī)學圖像的質(zhì)量決定了它的可靠性。判斷圖像的質(zhì)量是醫(yī)療中的一個重要問題。傳統(tǒng)的方法是計算圖像的一些統(tǒng)計值,比如channelizedHotellingobserver(CHO),或特定的高斯過濾。但這些特定的方法都有各自的局限。SVR機器學習被證明優(yōu)于傳統(tǒng)的方法。我們會使用深度學習來學習圖像質(zhì)量,當我們訓練數(shù)據(jù)越來越多時，深度學習的效果會超越以往的SVR算法。而且由于深度學習可以自動提取特征，所以節(jié)省大量人力物力。n大腦映射大腦映射是為了發(fā)現(xiàn)大腦的功能區(qū)。傳統(tǒng)的方法是用PET(p

4、ositronemissiontomography)和SPECT(single-photonemissioncomputedtomography)。在發(fā)現(xiàn)BOLD(bloodoxygenationleveldependent)后,fMRI(functionalmagneticresonanceimaging)開始大量使用。一個研究大腦映射的實例是新藥對大腦的影響。方法是選取一批實驗個體，對每個個體掃描兩次:一次在服藥后,一次在服安慰劑后。所以每個個體有兩張圖像。而且我們知道哪張是服藥后的圖像。這成為一個分類問題:給一個圖像,我們要判斷圖像是否是服藥后的圖像。傳統(tǒng)方法通過SVD降低維度然后

5、用機器學習分類算法分類。一般精確度在90%左右。我們會使用深度學習提高精度。n智能診斷系統(tǒng)客戶是一家醫(yī)療機構(gòu)。他們希望從CT或X-Ray判斷病人是否患有腫瘤?？蛻籼峁﹫D像及其是否健康的標志。用深度學習建立圖像是否健康的分類模型。優(yōu)勢在于:第一,我們已經(jīng)開發(fā)出圖像分類深度學習的網(wǎng)絡。這個網(wǎng)絡適用于多種圖像分類問題,運行速度快,結(jié)果也非常好;第二,我們有一套算法可以減少圖像噪聲及提高運行效率。如果從CT或X-Ray無法判斷是否有腫瘤,我們會建議病人做生理切片檢查。智能病理診斷有兩個步驟，第一步是用大量數(shù)據(jù)訓練出模型。這一步是線下的，比較費時。訓練出效果很好的模型后,我們就可以用它來對輸入的圖

6、像進行預測和診斷。除了對圖像分類外,我們還可以對病歷,檢驗報告做自然語言和數(shù)據(jù)處理,然后幫助醫(yī)生診斷。