首頁熱門文章
人工智能與深度學習在癌癥診斷中的應用
發布時間：2018-09-05 分類：交通百科
圖像識別技術(Facebook用于人臉識別或谷歌在圖像搜索中使用的同類技術)是最適合人工智能的任務之一，特別是深度學習。如今，這項技術正迅速發展到這樣的地步：拯救生命等更崇高的抱負正在實現。
Infersight在實踐中如何使用大數據和人工智能
肺癌在我國每年奪去60多萬人的生命，其主要原因是空氣污染。對于肺癌，CT掃描圖像由放射科醫生檢查，以盡早發現癌癥征象。然而，在一個真正缺乏醫生，特別是合格的放射科醫生的現狀下，這可能意味著放射科醫生每天要費力地進行數百次掃描。這既費時又費力，而且坦率地說，相當乏味。簡單的人為錯誤，通常是由疲勞引起的，意味著犯了錯誤，錯過了重要的診斷。
這個問題啟發了醫學影像診斷創業公司Infersight的創始人陳寬，將他的工作重點放在了醫學領域的深度學習和圖像識別上。想用深度學習來緩解這個巨大的問題。如果我們能用它來學習過去，幫助診斷更準確，我們可以幫助解決問題。
陳寬和兩名團隊成員花了整整一年的時間在四川人民醫院進行一個試點項目，學習如何將他們正在構建的Inferview工具與現有的醫院系統集成在一起。在這一年里，他們開始訓練和教授他們的算法。這需要使用來自以前掃描圖像的真實數據，以提高模型在肺部掃描中識別癌癥生長跡象的準確性。
2015年，在試點成功后，Inferview獲得了投資，該項目擴大到中國其他一些醫院。今天，該公司正在尋找國際合作伙伴，以進一步幫助減輕世界各地放射科醫生的負擔。陳寬強調的是，Infersight的使命并不是消除對人類放射學家的需求。相反，它的技術旨在幫助放射科醫生，使他們能夠更準確和有效地診斷癌癥。
在中國，每年只有8萬名放射科醫生需要接受14億次放射學掃描。通過人工智能和深度學習，我們可以加強這些醫生的工作。這項技術絕不會取代醫生，它的目的是消除許多高度重復性的工作，并賦予他們更快的工作速度。
技術細節
人工智能深度學習使用的是模仿人腦功能的深層神經網絡，數據沿著節點的網絡傳遞，這些網絡在節點間移動時根據它們正在處理的數據進行調整。通過這種方式，神經網絡可以更有效地處理接下來的數據，這些數據是基于它之前的數據而產生的。這種從數據中“學習”的能力，以及一個系統有效地教授自己的能力，正是深度學習如此強大的原因。
陳寬和他的團隊使用了一種被稱為“監督學習”的方法，這意味著使用已知結果的數據集(在這個例子中，是癌癥診斷)來“教”模型如何在未來作出反應?；旧?，我們所做的就是教它預測x射線是否正常。
你能復制的想法和洞察力
看到人工智能以這種方式被使用是令人興奮的，當然，這正是機器所擅長的任務;機器可以不停地工作，而不會感到無聊，也不會瞬間失去注意力。特別有趣的是，陳寬對人工智能技術的不同使用方法，增強了人類放射學家的工作，而不是取代他們。有這么多關于自動化和對人類工作的威脅的故事，它及時地提醒我們人工智能是如何幫助我們人類更聰明地工作的。
