在5月初谷歌(GOOG, Google)大型开发者大会上，首席执行官桑达尔·皮查伊(Sundar Pichai)上台，详细阐述了其最新的人工智能研究有朝一日将如何帮助医生发现心脏病。 这是一个令人印象深刻的揭示,画了一个巨大的观众的热烈的掌声在山景城的海岸线圆形剧场,加州,但这只是一小块更大的研究机构的技术和医疗社区迅速拼凑在寻求创造人工智能系统,最终可能挽救无数的生命——包括你自己的 一个人工智能的心脏测试 “在我看来，这显然是医学的下一个自然步骤，”约翰·霍普金斯医学院奥斯勒医学培训项目主任桑杰·德赛博士说。 计算机视觉技术在成像方面非常有用，但它远不是研究人员在医学领域使用人工智能的唯一方法。 乔什·诺尔斯博士正在帮助使用人工智能和机器学习来识别潜在的心脏病人 。(资料来源:Norbert von der Groeben/斯坦福医学院) ?
依赖成像数据的医学领域包括放射学，病理学，皮肤病学和眼科学，这些领域已经受益于AI方法的应用。比如在放射学中，有经验的医生一般通过视觉来评估医学图像来检测，表征和监测疾病。 AI在医学成像中的两种方法 ? 目前有两类AI方法被广泛应用到医学图像中。 第一种是人工特征工程，这些特征是根据数学方程（如肿瘤纹理）来定义的，可以通过计算机程序来量化。 因此，深度学习可以自动量化人体组织的表型特征，可以在诊断和临床护理方面取得实质性进展。 其他架构，例如U-net，是专门为医学影像而设计的。
精美礼品等你拿！
言归正传，上次我们聊过《人工智能时代，医生都要失业了？》，答案当然是否定的。医学在很大程度上来说是经验科学，实际上，医生对疾病的把控性是有限的。 换句话说，目前的人工智能是一种较弱的智能，其主要应用于基因测序、辅助诊断、医学影像、药物研发等方面。 今年8月份，腾讯公司发布了AI医学影像产品——腾讯觅影，同时成立了人工智能医学影像联合实验室，并启动全球首个应用AI医学影像的食管癌早筛项目的临床预试验。 最有代表性的就是IBM公司研发的医疗人工智能——“沃森”，目前已经在美国顶级癌症中心——纪念斯隆-凯特琳癌症中心等14个国家的多个肿瘤治疗中心进行了临床应用。 目前，像电影大片里的高端医学人工智能目前还难以做到，路漫漫，还需要IT人士及相关学科多努力，相信未来会更好！ 本文图片来自网络 ，文字内容原创，欢迎大家继续关注U医社，下次我们聊聊手术机器人。
［导读］2017年6月20日，零氪科技首席架构师王晓哲，在清华大学“天池医疗AI大赛”第一季肺部结节智能诊断 《医学影像在肿瘤诊疗中的应用及智能诊断探索》发表演讲，演讲主题为《辅助医者 普惠患者：人工智能技术在医学领域的应用与前景 后台回复关键词“清华大数据”，可下载《王晓哲：人工智能技术在医学领域的应用与前景》及《行湘：大数据视觉智能实践及医学影像智能诊断探索》完整版PPT。 演讲从全局整体背景上介绍了人工智能技术与临床医学结合以后已经取得的成果，未来的发展前景和美好展望以及实际中碰到的一些核心挑战。 一、人工智能、机器学习、深度学习概念 什么是“人工智能”、“机器学习”、“深度学习”？这三个概念现在的媒体经常会混为一谈，使大家一头雾水。 人工智能概念 从40年代末到50年代初，由于计算机的发明和逐步使用，人们想象，如果有了强大的运算能力，是否可以产生一种智能的程序，从而逐渐替代一部分人的工作。这个想法掀起了“人工智能”的热潮。
从科研来看，深度学习在医学图像分割的传统应用上，如分割、配准等已经有疲软之势，基本都是用U-Net糅合来去。 值得注意的是，医学图像处理，一直是一个学界业界联系紧密的领域。 其中联影智能是联影（国内最大的影像设备公司之一）旗下公司，由医学影像领域内最大牛的人之一沈老板带队，有巨大资源优势；商汤是炙手可热的人工智能公司；腾讯不用多讲。 一个比较直接的想法是，在某一个影像领域内，如PET-CT/PET-MRI，结合本身的影像数据垄断优势，做出行业标准。 我母亲也是医务行业从业者，年过50竟然还能与我聊一些AI在影像方面的应用，她也对这个技术非常有兴趣。
这款名为“阿尔法围棋”(AlphaGo)的人工智能，在没有任何让子的情况下以5：0完胜欧洲冠军职业围棋二段樊麾。这是人类历史上，围棋AI第一次在公平比赛中战胜职业选手。 Sprague，这位创造了自己版本的DeepMind算法的人，解释说在神经元连接的解剖学层面上，人工智能与神经科学在很大程度上不相关，然而，它可以为我们洞悉更高层次的计算原理带来灵感。 人工智能的快速发展必然对未来的医学产生深远影响。例如，前面提到的基于大数据之上的深度学习和增强学习等技术完全可以用于更广泛的医学领域，发展成为人工智能医学专家。那人工智能到底是什么技术呢? 较高级的医学人工智能是模拟群体医学专家的共同医学思想和较公认、较权威的诊疗模式，例如八十年代最著名的两个系统，一个是犹他大学的ILIAD，其知识库是在大型医院条件下，由临床医生总结经验，再按贝叶斯模型条件做成的知识决策模型 另一方面，医学人工智能虽然很强大，但也不是万能的。因为，人类社会在发展，环境在变化，疾病也在发展变化，医学科学也必然在发展变化。
来源：专知本文为书籍介绍，建议阅读5分钟这本书的目的是考虑到医院在使用人工智能支持的检测程序准确诊断各种疾病方面的最新进展。 这本书的目的是考虑到医院在使用人工智能支持的检测程序准确诊断各种疾病方面的最新进展。本文研究了最近在医学成像处理领域工作的著名研究人员和临床医生支持的疾病检测技术。 在本书中，将介绍各种人工智能方法的集成，如软计算、机器学习、深度学习和其他相关工作。结合利用AI的真实临床图像。本书还包括关于机器学习、卷积神经网络、分割和深度学习辅助的二分类和多分类的几章。 https://iopscience.iop.org/book/edit/978-0-7503-4012-0 关键特性： 实现机器学习辅助的疾病检测 实现基于CNN(卷积神经网络)的医学图像分割和评估
1 人工智能算法在医学中应用的最新进展 如今，AI转化为可实践的工具用于临床相对较少，并且有不少批评者提出AI用于实际临床的质疑。 医学影像 近年来，由于神经网络在图像分类中取得的显著成功，在较严重依赖图像解释的临床专业如放射学、病理学、消化病学和眼科等，医疗相关AI技术也得到了蓬勃发展。 例如，Sim等人发现，有人工智能辅助的临床专家在判断肺部结节上超过了人类和人工智能。但是，关于人工智能辅助究竟如何影响人类的表现，仍然有一些悬而未决的问题。 随着人工智能系统在医疗保健环境中承担更多责任，将面临的一个问题是，临床医生可能会过度依赖人工智能。反过来，医疗人工智能的发展也会对患者个公众产生的影响。 医学人工智能系统可能无法归纳出他们没有接受过训练的新数据；因此，众所周知，在边缘化群体代表性不足的数据集上进行训练，会导致对这些群体形成偏见的系统。
此外，讨论了在任何AI框架中集成各种类型的数据以限制偏差，提高准确性并为医学的跨学科性质建模的重要性。 ? 1 从实验室到临床的AI应用 近年来，人工智能技术在医疗保健研究中的使用急剧增加。 这些发展共同为AI创造了新颖而令人兴奋的机会，可以在多个阶段积极影响医学领域。 ? 图1人工智能在医疗领域中的应用。 毫不奇怪，人工智能研究人员已经利用这些数据使用线性模型和神经网络创建了预测模型，用于各种患者护理问题，例如患者再次入院或发生特定医疗事件的风险。 除了DL，线性模型对于在医学中采用AI也是必不可少的。 但是，在诸如AI在诊断中的应用的情况下，建议的工作流程将用于预测模型以指导人类决策，而医师/医学专家会审查每个单独的预测，因此限制了模型完全透明的必要性。 总体而言，人工智能已经在医学的各个领域取得了长足的进步，从药物发现到临床决策。我们认为，只有在我们继续优先重视生物学理解和数据/模型多样性以及预测性能的前提下，这些进步才会继续增长。
《Computers in Biology and Medicine 》在今年3月在线发表了一篇综述文章，回顾了医学领域使用机器学习（ML）的情况；介绍了标准技术及其对医学诊断的影响；深入讨论了五种主要的医学应用 （癌症、医学化学、大脑、医学成像和可穿戴传感器）中的问题；同时提供了该领域潜在的研究可能性和未来的举措。 这些算法从医学检测报告中收集的许多诊断样本中学习，并与专家的诊断一起支持医学专家预测和诊断未来的疾病。 机器学习在医学中的应用 癌症 癌症研究是一个具有重大社会影响的重要领域。ML在癌症研究中的应用在各个方面均表现出巨大的潜力，包括癌症相关问题的基准，如癌症类型的分类和预测、药物反应和治疗策略等。 为了提高ML性能，人工智能技术可以与ML技术结合使用，以帮助充分跟踪感兴趣的区域。 > 为了提高组件分类器的多样性，我们建议在医学诊断中使用模糊分类器，这在以前还没有被利用过。
，我探讨了如何批判性地理解医学人工智能研究，把重点放在了这些实验与临床实践的相关性。 我认为我们在医学人工智能研究中有一个很相似的进程，因为我已经发现几乎所有的研究都可以适应几个明确的类别。 这三个阶段的概念是常用的、直观的，并且可能在一定程度上弥补医学和人工智能研究员之间的理解差距。要是您的崭新的最先进的人工智能系统为病人已经准备好了，这甚至就可以更容易的使医生和监管机构信服。 阶段III对于一个特别有效的系统的实验可能比阶段II研究创建的人工智能模型更小。 也就是说，我个人认为，第一个III期人工智能系统试验必须取得压倒性的结果，以战胜医学研究中保守的偏好。 我们每周可以看到出版的五到十篇医学人工智能的论文，但我们只能看到一次第II阶段的试验。 再泼一点冷水，根据估计，一般药物从实验室到投入市场平均需要经历多于十年，花费超过十亿美元。
两种框架已经以各种方式、用于合成某些类型的医学图像。 无条件GAN的图像生成 最近在使用GAN的无监督医学图像生成领域中出现了大量工作，这可以解决诸如数据稀缺和类不平衡之类的问题（Frid-Adar，2018），并有助于了解数据分布的性质及其潜在结构。 在训练了1500个epoch之后，作者的实验获得了很棒的生成效果（人眼无法判断真假图像）。 ? Baur （2018b）比较了DCGAN，LAPGAN对皮肤病变图像合成的影响。 因此，医学影像分析界一直致力于直接从CT数据合成PET图像。 作者强调添加标签label图会带来全局更真实的合成效果，并在合成数据上训练的肿瘤检测模型验证了他们的合成PET图像，获得了与在真实数据上训练的模型媲美的结果。
在医学领域，人工智能开始在三个层面产生影响：临床（主要是通过快速、准确的图像解读）、健康系统（通过改善工作流程和降低医疗错误的潜力）、病人（让他们能处理自己的数据，从而提升健康状况）。 然而，在医学领域，人类与人工智能（AI）的整合才刚刚开始。 从更深层次看，医疗保健领域存在显着的长期缺陷，正是这些缺陷导致其回报越来越低。 人工智能与数据分析 在临床实践的上游，生命科学领域内的 AI 进展明显要快得多，也有广泛的有同行评议的出版物，这是在没有监管监督时更容易验证的道路，而且科研界有远远更强的实现意愿。 因此，医学领域的 AI 不能有例外——在患者护理中推出和实现之前，它需要严格的研究、在有同行评议的期刊上发表结果以及在真实世界环境中的临床验证。 ? 图 4：呼吁医学领域中 AI 研究应有正当的程序。 在患者护理中实现之前，必需先在有同行评议的期刊上发表结果，在真实世界医学场景中验证。 有了这些警告，对 AI 最终将如何整合进来要有合理的预期，这一点也很重要。
Radiology：人工智能在神经肿瘤学中的新兴应用 影像组学初学者指南 放射学中基于影像组学和人工智能预测癌症预后 脑肿瘤的影像组学：图像评估、定量特征描述和机器学习方法 基于MRI医学图像的脑肿瘤分级 对脑胶质瘤IDH突变状态进行分类的一种新型的 Neuro-Oncology：深度学习算法全自动评估脑胶质瘤负荷 Lancet Oncology：利用人工神经网络对神经肿瘤学MRI成像进行 Radiology：人工智能系统脑 纹理分析在生物医学领域首次报道是在放射成像中，可追溯到1971年。从那时起，纹理分析在几种医学成像模式中的应用不断增长。 所有成像模式的共同局限性在于，图像解读基于人类视觉系统的输入。 有文献研究了微调CNN在医学图像分析中的潜力。 纹理分析最大化了从生物医学图像中获得的信息，并显示了作为一种有价值的临床工具进一步发展的潜力。本文的第二部分讨论了在肿瘤和神经影像学方面的潜力。 不同的纹理分析方法在很大程度上应用于二维医学图像分析。
文章目录 1 图像和数字图像 2 图像分类 2.1 简单分类 2.2 传感器分类 2.3 维度分类 3 图像处理流程 4 医学图像 1 图像和数字图像 数字图像： 被定义为一个二维函数，f(x,y)， 和普通的笛卡尔坐标系有区别，在计算机中坐标系左上角为原点： 图像数字化： 图像进入计算机后，对图像进行数字化（映射）。 （3）坐标 图像存储在计算机中会丢失信息，因为是从一个连续的空间到离散空间的再采样过程。 图像数据： 生活中是二维的，医学上通常还有3维和4维的。 在军事领域、城市建设、资源勘探等方面有很大的应用。 4 医学图像 （1）CT图像： 骨结构、组织结构（不太清晰） （2）MRI（核磁共振）图像： 清晰看到除了骨结构之外的一些软组织，更能描述人体软组织结构。
多次模拟后，在实际中可以更从容的面对实际情况，提高手术的成功率。 不仅仅是对医生，对于从事医学领域和对该行业感兴趣的人来说，也有很多的好处。 医学院的学生可以更真实的体验老师讲的各种课程，对于需要实操的也可以多次练习。简单的比如以前护士可能需要通过用自己的手或者同学间互相扎针，来练习打针技巧，但现在可以通过VR虚拟现实多练习。 把内容存在云端，在云端渲染和分发，可以减少对VR硬件设备的性能要求，同时因为内容在云端，对于云端服务器有更高的利用率，成本也会更低，那么怎么才能保证在云端对VR用户和硬件之间良好的数据交互呢？ 在保证实际使用效果的同时，能保证运营成本的尽可能低。 点量的云VR系统解决方案，可以实现教育资源和服务器的高效利用，包括软件、硬件和高效调度，不仅仅适用于医学领域，其他如VR游戏、VR影视等都可以。 VR医学2.gif
上一篇给大家介绍了深度学习在医学影像上分割的应用，这一篇我将分享深度学习在医学影像上检测应用。 所提出的方法可以很容易地扩展到其他类似的医学图像计算问题，在利用深度CNN表达高级特征时，往往会受到训练样本不足的困扰。 医学图像中，在股骨远端骨骼上解剖标记的精确定位对膝关节手术规划和生物力学分析是非常重要。 最近，随着标注数据的快速增长和计算能力的增加，深度学习方法在医学图像分析中得到了广泛的应用。 在医学图像分析任务中，大多数训练实例很容易分类，因此对CNN学习过程影响不大。在本文中，我们提出了一种通过在训练时动态选择错分负样本来改进和加速在医学图像分析任务中CNN训练方法。
四格表资料的卡方检验的内容详见： 《如何用四格表卡方检验进行医学数据的统计分析？》 下面，我们一起来了解两样本的四格表资料的Fisher 确切概率法的基本原理、适用条件及其在SPSS中的操作步骤。 关于数据加权还原的操作由于前期已经详细讲解过，因此不再赘述，具体请看： 《如何用四格表卡方检验进行医学数据的统计分析？》 依次点击“分析——描述统计——交叉表格”。 在“交叉表格”窗口中，点击“statistics”，在出现的“统计”窗口中，勾选“卡方”。 点击“继续”，然后“确定”，得到结果。 五、小结 本文对四格表资料的Fisher确切概率法的基本原理、应用及其在SPSS中的具体操作进行了详细阐述。后续我们将陆续更新更多不同卡方检验方法在医学研究中的应用和在统计软件中的实现，敬请关注！ 《医学统计学 第4版》.人民卫生出版社. 2、邱皓政.《量化研究与统计分析》.重庆大学出版社.
原文题目：A Survey on Explainable Artificial Intelligence (XAI): Towards Medical XAI 摘要：近年来，人工智能尤其是机器学习在从图像处理到自然语言处理等多项任务中表现出了显著的效果 我们进一步探讨了可解释性在医学领域的应用，说明了可解释性问题的复杂性。 原文地址：https://arxiv.org/abs/1907.07374 作者：Erico Tjoa
一站式医学人工智能开放创新服务平台，涵盖数据管理、标注，算法训练、评测、应用全流程
扫码关注腾讯云开发者
领取腾讯云代金券
云服务器
即时通信 IM
网站备案
对象存储
实时音视频
