AI技术精选二:图像识别应用医学领域,担当医疗新供给

2017-04-06

我们知道人工智能系统AlphaGo已经在围棋领域证明了自己的能力,在语音识别、人脸识别、机器人、自动驾驶等领域同样取得了巨大的进展,医疗作为和科技紧密联系最紧的领域更是备受关注。

我国的战略信息产业、科技创新、信息化、卫生与健康等国家级十三五规划以及《健康中国2030规划纲要》中,医学诊断创新智慧医疗健康大数据已成高频出现词汇,响应国家号召,加快发展人工智能医疗应用已经刻不容缓。

与此同时,优质医疗资源短缺又是全球面临的共同问题,这就需要医疗和科技界人士在现有的医疗资源供求环境中挖掘增量价值,创造出提高效率的解决方案以普惠大众。摆在医疗机构管理者和科技企业家们面前的是,如何将顶尖医学专家的学识和诊断经验进行快速复制,训练成更多模拟专家诊断路径的人工智能医学专家

目前,中国还有20%的县级医院没有眼科(数据来源于,2016年中华医学会第二十一次全国眼科学术大会),并且中国眼科医师尤其是眼底专业医师较少,且多分布在城市大医院,我国约有1.14亿糖尿病患者,中国的眼科医生约为3.6万余名,患医比达到惊人的31661,使得这些医院和医生负担很重。

在类似眼科等医生非常稀缺的领域,人工智能则可发挥价值,辅助医生们的日常工作,使之工作效率获得大幅提升。

医疗领域应用人工智能的正确姿势

AI技术精选二:图像识别应用医学领域,担当医疗新供给

基于深度学习与图像识别的医疗新供给

目前人工智能技术日趋成熟,已经可以在多个领域为医疗提供服务,比如医学影像识别,帮助医生更快更准地读取病人的影像所见;比如临床诊断辅助系统等医疗服务,应用于早期筛查、诊断、康复、手术风险评估场景;

早在2012年,在深度学习尚未进入爆发阶段时,研究人员已经意识到基于深度学习的人工智能图像识别能力,可以用在医学图像的识别和分析上。与传统的图像识别算法不同,识别医学图像需要算法具有极高的准确率和可靠性。研究人员在大量的医学图像上进行标注和持续迭代训练,使得深度神经网络可以不断从中学习,最终产出灵敏度和特异性与人类医学专家接近甚至持平的识别模型。研究人员已经在糖尿病性视网膜病变领域已经取得了巨大的成果。花费大量时间从多家国内外顶级医院收集了数十万张眼底照片,构建超过100层卷积神经网络,准确解析原始图像的高阶信息,单次迭代持续训练超过120小时,最终研发出了糖尿病性视网膜病变辅助诊断模型,在灵敏性和特异性等主要指标上,获得了和人类医生相当的结果。斜视也是目前重点关注的领域,经过长时间的数据收集和数据预处理,利用卷积神经网络设计了斜视识别网络,并且通过大量的数据验证模型,然后不停的调整模型的参数,以保证最终训练出的斜视模型在灵敏性和特异性的可靠性。除了眼底病识别外,眼眶病领域人工智能识别取得了巨大的进展,眼眶病变的体征由于病变性质和部位不同,临床表现也错综复杂。自动获取眼部区域,并且自动检测角膜,可以准确识别炎症、肿瘤、外伤等病况,可以辅助眼科医生治疗眼眶疾病。

AI技术精选二:图像识别应用医学领域,担当医疗新供给

在可以预见的未来,和创懒人AI研究室通过深度学习与图像识别算法的介入,可以提升资深医生的阅片效率,让其有更多精力投入到学术研究和疑难杂症处理;可以辅助年轻医生进行快速准确的诊断和筛查;也可以助力公共卫生机构及基层医疗机构大面积疾病筛查。