美科学家将深度学习用于医疗诊断

每年全球大约要进行20亿例X光检查。但是平均来看，放射科人手不足。放射科医生的工作量不断增加，不堪重负，几乎没有时间来综合地评价图像——导致了误诊和更严重的后果。

现在，以色列特拉维夫大学（TAU）的一个实验室正在研发实用的解决方案来满足放射科医生的需求。TAU工程学部生物医疗系Hayit Greenspan教授的医学图像处理实验室已开发出了各种各样的工具来帮助X光、CT、MRI的计算机辅助诊断，让放射科医生有时间去关注需要他们投入全部注意力和所有技能的复杂病例。“放射科医生短缺，他们的工作量持续增加。这意味着有些X光图像从没有被阅读过，或者推迟很久后才阅读，这种延迟可能让患者生命受到威胁。”Greenspan教授说，“我们的目标是利用计算机辅助的‘深度学习’技术来区分健康患者和非健康患者，并通过能适应真正临床环境的高效可靠的框架将同一张图像上呈现的所有病理分类。”

2015年12月，在TAU举行的以色列计算放射学研讨会上，Greenspan教授谈到她的实验室计划实施“深度学习”，这是机器学习研究的新领域，使人工智能应用于多个科学领域。她的目标是利用深度学习为X射线影像的自动化检测和病理标记开发诊断工具。

Greenspan教授的实验室是世界上致力于在医学中应用深度学习的少数几个实验室之一。她和团队已经研发出利用深度学习支持胸部X光病理学自动化鉴定、肝脏肿瘤检测、MRI病变分析等任务的技术。“我们已经研发出工具，支持利用计算机视觉和机器学习算法在放射学方面进行决策，能帮助放射科医生作出更准确、更加量化、更客观的决定。”Greenspan教授说，“这在初筛时特别重要。这种系统能提高全球各地基础放射科和更高级放射科的准确性和效率。”

她还在深度学习的医学应用研究中探索运用了“迁移学习”。“众包在将深度学习应用于谷歌搜索等普通图像搜索中很重要。”Greenspan教授说，“但对于医学成像，存在隐私问题，现在能获得的综合数据几乎没有”。“在‘迁移学习’中，我们用来对医学图像进行分类的网络最初是用于普通图像，代表了数百万张普通图像的特征和参数也为医学图像的分析提供了很好的标签。”