这两大挑战让深度学习严重赌城永久网站,英伟达也透过深度学习学院

赌城永久网站 5

原标题:提高AI深度学习效率|清除”暗”数据为首要任务

我们都知道人要保持充沛的精力,离不开食物、水等能量供给,只有保持充沛精力才会有力量去发现、去创造。

赌城永久网站 1

“AI+医疗影像”:智慧医疗突破口

你能想象每一天就有三架载满乘客的大型飞机坠落全员身亡的事故么?这听起来十分可怕,但全球每年被疟疾夺走生命的人数高达60万~80万,就等同于这样的坠机事故发生的概率。虽然在发达地区,疟疾几乎已经被消灭,但在某些欠发达地区疟疾却仍然是灾难,在处理疟疾的挑战中,其中一项来自于缺少足够的专业病理医师,导致患者难以得到及时的诊断和治疗。
目前正在研发的技术,
将可以帮助判断出病人是否感染了疟疾,感染的是疟疾中的哪一类
,以及可能是从哪些渠道感染的,相比传统方式下需要大量人力看样本、做分析,该技术让医生的效率大为提升。即便是在医疗人员匮乏的地区,也可以不再那么捉襟见肘了。

赌城永久网站 2

同样,要想一个医疗AI像人类那样思考,成为医生的得力助手,就必须“喂”给它大量的数据,帮助它从中找出规律。

作者:DIGITIMES蔡腾辉人工智能、机器学习、深度学习这三个不断被深入开发的技术,医疗影像的大数据分析用得上、在医院的病患分析人脸辨识也用得上、而在B2C端的在线皮肤状况检测也用得上。英伟达解决方案架构暨工程副总裁Marc
Hamilton认为,…

“从数量上讲,超过80%的医疗数据来自医学影像数据;从多样性上来讲,多模态影像、病理、检验、基因及随访信息等影像数据的种类繁多,高性能计算多层神经网络模型能够应用在影像数据;此外,影像的数字化及报告的结构化也确保了数据最真实可用。”在近日举行的“智慧未来:医疗人工智能峰会”上,汇医慧影CEO柴象飞对“AI+医疗影像”充满信心:“医学影像天生适合互联网+大数据+人工智能。”

所以计算机与医疗的结合,远不止智能手环、血糖仪或是Xbox、HoloLens等可能会与医疗产生关联的智能硬件,其覆盖范围非常广泛,从前端设备到后端系统,再到隐藏在最后端的各类算法,每个分支都可以是一个独立的学科。事实上在微软内部,已经有接近100个与医疗相关的项目,他们中既包括十分具有前瞻性的,也有已经步入实际应用层面的。

想要将某个领域的发展继续推进,有时候必须停下来看看现有的状况,进行策略性整理和分析,才能订出未来发展的大方向。医疗领域的发展也是如此,在医院收集的数十亿笔病例中,包括CT图、X光图、病理图等数子化医疗记录,我们为了要发展精准的医疗科技,近几年科学家希望能通过人工智能的技术在这些数据中找出核心关键。

而现在,医疗AI却面临“双重挑战”,一是缺乏训练样本,二是缺乏标注。

作者:DIGITIMES蔡腾辉

对此,从事医学影像、肿瘤放射以及生物信息方面的研究超过20多年的斯坦福大学终身教授、斯坦福大学医学物理部主任邢磊认为,将来每个放射科医生手机或电脑终端都应该有一个智能分析决策的APP,“人工智能将扮演辅助分析决策的角色”。

在我看来,如今计算机在医疗领域的进展其实都是基于同一个基础,即“数据改变医疗”为核心展开的。不管是中医还是西医本质上都是实践科学,医生通过无数次的实践总结、统计出规律,最终达到医病救人的效果。当人类收集、处理和分析数据的能力随着云计算、大数据、机器学习、物联网等技术的发展而日渐增强时,人们利用大数据像医生一样去分析或辅助分析病情的能力自然也会与日俱增。

来自美国斯坦福大学(Stanford University)博士研究员Leon Bergen在TRANS
Conference
2018论坛上表示,医疗机构现有的数据将会是未来数字医疗发展的重要资料库,我们通过计算机建模和实验来研究语言学方法,在语言分析过程中清除不相关的资料。拥有一个有效且完整的医疗数据库,必须先清除医疗资料库中的暗数据,才能进一步分析,并提供医疗人员正确的决策方向。

这两大挑战让深度学习严重“弹药不足”,由此衍生出的“小样本学习”问题一定程度上阻碍了AI医学影像的发展,难道就这样止步不前?这些问题到底该如何突破?

人工智能、机器学习、深度学习这三个不断被深入开发的技术,医疗影像的大数据分析用得上、在医院的病患分析人脸辨识也用得上、而在B2C端的在线皮肤状况检测也用得上。英伟达解决方案架构暨工程副总裁Marc
Hamilton认为,借由各种终端设备和物联网仪器收集而来的数据,经过强大的边缘运算系统汇总分析之后,已能产出对场域相当有价值的应用。英伟达也透过深度学习学院,教导医疗专业人员如何运用新计算机辅助诊断设备。

自2012年深度学习技术被引入到图像识别数据集ImageNet之后,其识别率近年来屡创新高,并且在某些领域达到或超过人类水平。深度学习技术加上医疗影像领域积累多年的数据,正在给这一领域带来令人惊喜的突破。

人工智能帮助推展精准医疗

赌城永久网站 3

赌城永久网站 4

此外,同一套算法学习不同科别的迁移学习也是最新正在发展中的技术。

斯坦福的研究人员一项发布在Nature上的研究显示,他们用卷积神经网络(CNN,深度学习一个最广泛的应用)做皮肤癌诊断,与21位皮肤科医生对比测试,结果所测的精确度与人类医生相当。另有一项利用CNN对糖尿病视网膜病变的诊断,结果显示,其算法的性能与眼科医生的水平一致。

癌症一直是人类最需要迫切解决的医学难题之一,由于同一类癌症的每位患者表现也各不相同,因此也可以说每位患者的癌症都是一种独立的疾病,即便是医生拥有丰富的经验也很难做出100%准确的分析和判断,更别说相对个性化的精准医疗了。因此微软亚洲研究院一直将数字医学影像识别作为主攻方向之一,希望通过计算机视觉领域的最新技术加速推动精准医疗。

目前医疗护理流程图、医生诊断记录、放射科报告、肺部疾病报告的数字化医疗数据都可以透过AI进行分析。研究员Bergen表示,在进行数据分析之前,整理杂乱且无法直接使用的暗数据(Dark
Data)是相当重要的一点。技术人员提供整理过的数据给AI系统进行深度学习,在这过程中包含了收集大量数据、清除暗数据、训练神经网络和通过网络内容进行分析。

在5月30日-6月2日的“中国医师协会第十三次放射医师年会”上,腾讯优图实验室医疗AI总监郑冶枫博士,在题为“深度学习在医学影像分析上的应用”的分享中,讲述了腾讯优图实验室通过迁移学习和计算机合成图像两大方法,突破医疗AI数据量不足,没有办法像传统机器学习那样用大数据进行喂哺的问题。

英伟达深度学习学院和新创启动计划

深度学习技术几乎是目前医学影像领域效果最好的技术。“深度学习及强化深度学习,代表目前新潮的技术,它们能解决很多以前不能解决的问题,把医疗AI推向新的高潮。”邢磊说。

从2014年起,微软亚洲研究院的团队开始钻研脑肿瘤病理切片的识别和判断,通过细胞的形态、大小、结构等,去辅助分析和判断病人所处的癌症阶段。而近两年在该领域我们基于“神经网络+深度学习”的模式取得了两大突破:

Bergan指出,在训练AI系统的深度学习过程中,研发人员必须不怕出错,在不断试验的过程当中,神经网络会依循每一次的结果改进,并给予不同以往的产出。研发人员必须评估神经网络产出的结果,并调整网络的学习数据。

赌城永久网站 5

科技如何辅助医疗?这个问题英伟达从深度学习学院(DLI)着手,从最初教医疗人员如何使用AI,到后来为新创量身打造特别课程,不仅增加了软硬件工程师与医疗专业人员的交流,同时也协助大小厂商媒合。深度学习学院运作至今,已经有数万名毕业学员。Marc
Hamilton相当看好借此形塑科技整合生态系。

邢磊还举出汇医慧影的例子:汇医慧影已经在打造一个智能医疗影像平台,并已取得了惊人的进展。

首先,实现了对大尺寸病理切片的图片处理。通常图片的尺寸也就是224*224像素,但脑肿瘤病历切片的尺寸达到了20万*20万、甚至40万*40万像素。对于大尺寸病理切片影像的识别,我们没有沿用业内常用的数字医学图像数据库,反而在ImageNet这个计算机领域最为成熟的图片数据库的基础之上利用尽可能多的图片,通过自己搭建的神经网络和深度学习算法不断进行大量训练而成,最终实现了对大尺寸病理切片的图片处理。

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注