人工智能在医疗领域中的应用

《人工智能在医疗领域中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

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-aideddiagnosis):计算机辅助诊断2.CBIR(content-basedimageretrieval):基于内容的图像检索3.图像质量评估4.大脑映射nMammographyCAD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。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

2、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。nCBIR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。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

3、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。n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channelizedHotellingobserver(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。而且由于深度学习可以自动提取特征，所以节省大量人力物力。n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(p

4、ositronemissiontomography)和SPECT(single-photonemissioncomputedtomography)。在发现BOLD(bloodoxygenationleveldependent)后,fMRI(functionalmagneticresonanceimaging)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

5、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。n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

6、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。