展开

关键词

【Nature封面】深度学习媲美医生,智能手机检测

【新智元导读】斯坦福大学的研究人员开发深度学习算法,的准确率与专业的人类医生相当,相关研究论文被选为封面论文在本期 Nature 发表。 当斯坦福的这项合作研究开始时,神经网络已经能够从大约1000个不同类128万幅。 与分辨不同种类的狗的片不同,将一块不规则的色斑为良性脂溢性角化病还是恶性肿瘤会影响患者的生活乃至生命。因此,算法需要极高的准确率与可靠性。 第一例代表最常见的,第二例代表了最致命的。深度卷积神经网络在这两个任务上的表现都达到了所有接受测试的专家的水平,证明了这一人工智能系统的鉴定水平与科医生相当。 如果医学检查开始依赖患者对可疑病变的自我,那么高风险的个体更有可能在医生的手术中选择不进行正常的全面筛查,这样可以挽救他们的生命。

1.3K91

深度学习媲美医生,智能手机检测症将不再遥远

【导读】斯坦福大学的研究人员开发深度学习算法,的准确率与专业的人类医生相当,相关研究论文被选为封面论文在本期 Nature 发表。 当斯坦福的这项合作研究开始时,神经网络已经能够从大约1000个不同类128万幅。 与分辨不同种类的狗的片不同,将一块不规则的色斑为良性脂溢性角化病还是恶性肿瘤会影响患者的生活乃至生命。因此,算法需要极高的准确率与可靠性。 第一例代表最常见的,第二例代表了最致命的。深度卷积神经网络在这两个任务上的表现都达到了所有接受测试的专家的水平,证明了这一人工智能系统的鉴定水平与科医生相当。 如果医学检查开始依赖患者对可疑病变的自我,那么高风险的个体更有可能在医生的手术中选择不进行正常的全面筛查,这样可以挽救他们的生命。

671101
  • 广告
    关闭

    云产品限时秒杀

    云服务器1核2G首年50元,还有多款热门云产品满足您的上云需求

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    神经网络诊断超越人类专家?来自医疗界的这篇论文给出了证明

    对比对象是来自 17 个国家的 58 位科医生,其中包括 30 位专家。这是人工智能又一次在医疗上实现「超越人类」的水平。 来。 为了训练它,我们向 CNN 展示了 10 万多幅恶性和良性痣的,并标出每幅的诊断结果。我们仅用了,即以 10 倍放大倍率成的病变。 在 I 级中,科医生准确地检测到平均 86.6% 的黑色素瘤,正确地出平均 71.3% 的非恶性病变。 他们强调了 AI 在成为临床标准之前需要解决的一些问题,包括在手指、脚趾和头等部位的黑色素瘤难以成,以及如何训练 AI 充分非典型和患者没有发现的黑色素瘤。

    32580

    使用Faster R-CNN、ResNet诊断病,深度学习再次超越人类专家

    选自IEEE作者:Jeremy Hsu机器之心编译由于在特征任务上具有优势,医疗诊断一直是人工智能技术应用的重要方向。 此外,由于深度学习算法的技术局限性,所有的照片都需要转换成 224×224 素,这使得很多照片变得无法。 摘要:我们测试使用深度学习算法对 12 种病的临床照片进行分类,包括基底细胞、鳞状细胞、上、光化性角化病、脂溢性角化病、恶性黑色素瘤、黑素细胞痣、雀斑样痣、化脓性肉芽肿、血管瘤、纤维瘤 使用 Hallym 数据集进行验证时,基底细胞诊断的敏感度是 87.1% ± 6.0%。使用 480 张 Asan 和 Edinburgh 接受测试的算法性能可与 16 位科医生媲美。 为了提高 CNN 的性能,我们还应该收集涉及年龄范围更大、种族更广泛的

    1.2K50

    使用Faster R-CNN、ResNet诊断病,深度学习再次超越人类专家

    选自IEEE作者:Jeremy Hsu机器之心编译由于在特征任务上具有优势,医疗诊断一直是人工智能技术应用的重要方向。 此外,由于深度学习算法的技术局限性,所有的照片都需要转换成 224×224 素,这使得很多照片变得无法。 摘要:我们测试使用深度学习算法对 12 种病的临床照片进行分类,包括基底细胞、鳞状细胞、上、光化性角化病、脂溢性角化病、恶性黑色素瘤、黑素细胞痣、雀斑样痣、化脓性肉芽肿、血管瘤、纤维瘤 使用 Hallym 数据集进行验证时,基底细胞诊断的敏感度是 87.1% ± 6.0%。使用 480 张 Asan 和 Edinburgh 接受测试的算法性能可与 16 位科医生媲美。 为了提高 CNN 的性能,我们还应该收集涉及年龄范围更大、种族更广泛的

    658140

    卷积神经网络检测已超越科专家

    在发表在主要症杂志Annals of Oncology 上的一项研究中,德国,美国和法国的研究人员通过向CNN展示100,000多张恶性黑色素瘤(最致命的形式)以及良性痣。 该研究的第一作者,德国海德堡大学病学系高级管理医师Holger Haenssle教授解释说:“CNN小孩的大脑一样工作,为了训练它,我们向CNN展示了超过10万恶性和良性和痣的,并指出每张的诊断 ,只使用,即放大倍数为10倍的病变,在每一个训练中,CNN提高了区分良性和恶性病变的能力。 在第一级,科医生准确地检测到平均86.6%的黑素瘤,并正确地确定了平均71.3%的非恶性病变。然而,当CNN调整到与医生相同的水平以正确良性痣(71.3%)时,CNN检测到95%的黑素瘤。 他们强调了在AI可能成为诊所标准之前需要解决的一些问题,包括难以在手指,脚趾和头等部位对一些黑色素瘤进行成,以及如何充分训练AI以未知的非典型性黑色素瘤。

    32322

    诊断,人工智能比医生更出色

    ,对其进行训练。 CNN能够通过它“看到”的快速学习,并教会自己通过学到的内容改善自己的表现(称之为机器学习的过程)。 为了训练它,我们向CNN展示了超过10万张恶性良性和葡萄胎影,并指明每张影的诊断结果。我们只使用镜影,即放大10倍的病变影,这让CNN提高了其区分良性和恶性病变的能力。 完成训练后,我们通过海德堡资料库创建了两组测试影,这些从未用于训练,因而对于CNN来说是未知的。每组共有300张影,专为测试CNN的表现而构建。 专家级科医生在I级的表现比经验较少的科医生的表现更好,并且能够更好地检测出恶性黑色素瘤。但是,他们在两个级做出正确诊断的平均能力仍然低于CNN。

    23321

    脸上起痘不要慌,人工智能来帮忙

    DLS的训练资料包括了一张或多张异常的临床,还有45种是年龄、性和症状等元资料,Google总共使用了17,777个去化的病例,分把2010年到2017年的病例当作训练资料,将2017 病例原(左);以绿色突出显示 DLS 需要的重要区域(右);中间为组合,指示系统集中对脱发区域进行诊断而非针对前额他们集中研究了至少占数据 5% 的类型 Fitzpatrick II 2017年,美国斯坦福大学研究人员领衔的团队使用13万张与病变相关的来“训练”人工智能程序,利用深度学习技术训练谷歌公司开发的一项人工智能程序,让它利用去分类并病变处属于良性还是恶性 该模型与21名科医生进行结果对比,两者的表现基本处在同一水平上。? 除此之外,国内其他医院科也逐渐开始应用 AI 诊断工具,如北京协和医院与北京航空航天大学合作,已经开始使用片的自动, 在近期的继续教育班上进行了展示;武汉协和医院也与中国香港一家公司合作

    26110

    《自然》杂志医疗AI领域最新成果系列二:关于患者的AI解决方式

    他们还评估了该系统直接通过症的能力,以及更复杂的诊断病灶组。数据他们使用了来自18个不同公开数据集和一个斯坦福医院的私有数据集的13万张病的照片作为该深度学习系统的训练数据。 在其它实验中,他们又与两位病医生做对比。这篇论文并没有介绍训练集中病的种类,但是通过大部分的数据,我们可以获得的正类样本。例如,在片一中,有92%的黑色素细胞是变的。 本文的t-SNE可视化表明,虽然主要病变类聚集在一起,但存在重叠的边缘病例。 更细粒度的类的训练确实有助于正确这些令人困惑的。 Google和斯坦福团队都决定缩小他们的样本。这些决定是基于专家的知,个眼科医生的标签很可能有准确率问题,不过缩小的仍然包含有用的诊断信息。 影响在高发的热带地区,这项技术有特的意义。疑似患者只需要上传一张照片,就可以诊断出得的是什么病,还能判断出是否为。这免去了患者去医院做活体检查的痛苦。

    70461

    人工智能诊断正在快速兴起

    美国斯坦福大学(Stanford University)研究团队展示了一种“深度学习”算法,能够执业病专家一样准确诊断潜在的病变。 专家称医学,如照片、X光和核磁共振成(MRI),与深入学习软件的匹配近乎完美,这推动了近几年照片中的人脸和物体的技术取得突破。 目前已经有公司在探索这种方法了。 美国食品药品监督管理局在一份声明中表示,过去20年里,它已经批准了“许多分析应用,这种程序基于各种模式、机器学习、以及计算机视觉技术”。 斯坦福大学的这支研究团队给软件输入了129405张经专家评估的以训练软件。这些涵盖了2032种不同的疾病,其中确诊为1942张。 然而,纪念斯隆·凯特琳症中心的科医生兼国际数字成学会会长表示,他认为消费者并没有准备好应对这种会告诉自己一个痣有5%抑或50%的概率变为症的诊断系统。“我们并不擅长使用概率。”他说。

    43550

    加拿大AI检测初创公司MetaOptima获860万美元融资

    MetaOptima还设计了移动式镜MoleScope,这两个平台都有望帮助医疗保健专业人员筛查患者和黑色素瘤的各个阶段。 Farquhar指出:“我们认到DermEngine平台有可能彻底改变澳大利亚病学领域的研究。平台采用的技术能管理、跟踪和诊断问题,提高疾病早期发现率,这对黑色素瘤的存活率至关重要。” MoleScope是一种可以连接到智能手机并捕获高质量的痣的设备。用户可以通过医疗级成跟踪痣的进展情况,一旦发现痣存在异常情况,则能立刻寻求医生帮助。 DermEngine是一个智能科平台,可与医疗领域的MoleScope和其他镜配合使用。它为医生和患者提供、临床记录和病理报告,以促进医生和患者的沟通,诊断状况。 在澳大利亚,新诊断的症中有80%都是。两位基金负责人Farquhar和Petre因此想要找到一家使用AI诊断的科技公司,他们发现MetaOptima正是他们寻觅的公司。

    28220

    现在,医疗 AI 发展的怎样了?

    科首当其冲人工智能发展至今,已涉足医学影、基因检测、临床手术、辅助决策等多个医疗领域。其中,医学影属于介入较早且卓有成效的板块之一。 轻松糖尿病早期视网膜病变的 AI2016 年,Google DeepMind Health 团队给自家 AI 喂养了 12.8 万副视网膜眼底,打造出一只可以轻松糖尿病早期视网膜病变的 AI 在验证实验中,研究组请来了 8 位眼科专家,与 AI 一同 9,963 张眼底。 2014 年至今,经过深度学习的 AI 们,已先后在、乳腺、先天性白内障、心脏病、脑部肿瘤等病灶技术上有所建树。 AI 检测源: Stanford university 官网甲状腺 B 超的 AI在今年,知名电商大佬就发布展示用于甲状腺结节病灶的 AI。

    37570

    学界 | 战胜42位科专家,韩国团队训练5万例数据诊断灰指甲

    这项成功很大程度依赖于一个韩国研究团队的努力,他们收集了大约5万张指甲趾甲的片。大量的训练数据,是深层神经网络成功灰指甲,战胜人类医学专家的关键所在。 韩国首尔的科医生、临床医生 Seung Seog Han 表示,「迄今为止,在很多研究——比如糖网、和阅读胸片等项目中,人工智能已经接近了人类专家的水平。 此外,受深度学习算法的技术限制,所有都要调整到 224 x 224 素大小,这样一来很多片就无法了。 韩和他的同事们训练了一种名为 Faster R-CNN 的目标检测算法,对进行和裁剪,使片中只包含受感染的指甲趾甲,然后再将片放大,这样就得到了一个可以用于训练深层神经网络的数据集。 Han 和他的同事们也在尝试用深度学习诊断等其他疾病。

    53270

    2020 年第一批 | AI 检测产品获 FDA “突破性设备”认定

    作者 | 刘海涛 雷锋网AI掘金志消息,据CISION报道,AI创业公司3Derm宣布,旗下产品3DermSpot人工智能成系统检测获得了两项FDA“突破性设备”认定。 3Derm成立于2012年,是一家利用人工智能进行和诊断的医疗AI公司,主要有三块业务:医学成、远程医疗以及AI辅助诊断。 在AI辅助诊断方面,3Derm使用了标准化的数据和AI算法研发了类疾病诊断工具,具有自主检测黑色素瘤、鳞状细胞、基底细胞等疾病的功能。在美国,预约科医生之后的平均等待时间为29天。 3Derm的思路与国内的远程医疗并无太大区:基层医生可以为患者拍摄诊断级的影资料,发送给上级的科医生进行远程检查,若有必要则安排后续的当面诊断。 目前,3DermSpot为基层一线医生提供了两个诊断决策建议:确诊为潜在的并帮助患者转诊,或者判定为良性、继续观察。

    34220

    人类医生的终结者:深度学习医疗2016-17两次大突破

    2017年发表在Nature杂志上的研究“达到病学家水平对的分类”。 标题的结果是对“需要活检”病变的评估,这是鉴定可能患有并需要进一步处理的患者。他们还评估了直接从症的能力,以及一项更复杂的任务,试诊断病变亚组。 4.被大量采样,丢弃了大约90%的素。5.他们使用“树实体论”组织训练数据,通过培训来提高其准确性,以757类疾病。这甚至在更高级的任务上改进了结果,如“这种病变需要活检吗? 6.他们比单个科医生能更好地需要活检的病变,具有更多的真阳性和较少的假阳性。7.虽然可能存在监管问题,但该团队似乎已经有一个有用的智能手机应用程序。 斯坦福大学科组正在建立一个智能手机应用程序来检测

    55140

    深度学习在医疗诊断领域优势明显,数据质量将成AI未来发展瓶颈

    人工智能能对不同进行精准归类,片来自NatureCNN是一个多层神经网络框架,旨在通过卷积处理来学习数据中的高位信息。 基于这种精密的设计,CNN十分擅长,这也是它近几年声名鹊起的原因,所以研究人员多用它来分析医学,以检测症。不过,并不是CNN的唯一应用,CNN还很适合用来做文本分析。 最值得一提的是,斯坦福大学的Andre Esteva今年在Nature上发表了突破性进展,他们设计的CNN诊断的精确度能够达到甚至超越病学专家的水平。 类疾病中的一种,包括。 2016年,深圳大学和中国台湾大学的联合团队使用堆栈式降噪自编码器(Stacked Denoising Autoencoder)成功出肺结节,精确度在86.6%以上,这项技术还能用于分析胸部超声以检测乳腺

    1.1K80

    纽约客特稿 | 把症诊断交给机器,医疗服务会更好吗?

    这些经验丰富的诊断医师是否对使用了心理「规则」?还是说他们使用了「模式或非分析推理」? 软件会突出显示疑似病变的区域,而后放射科医师会复查结果。但这种软件通常也是使用基于规则的系统来可能病变的区域。 Thrun 将作为切入点,特是角化细胞(美国最常见的一类症)和黑素瘤(最危险的)。能否训练机器通过扫描片将与良性病(如痤疮、疹或痣)区分开呢? Esteva 和 Kuprel 通过网络搜索发现了 18 个由病专家分类好了的损伤库。 其中包含了近 13 万张有关痤疮、疹、虫咬、过敏反应和等疾病的片,病专家将它们分为近 2000 种疾病。

    401150

    【科技】整形外科医生的帮手!人工智能正在改变医疗美容

    随着智能手机的普及,数据比以往更丰富。计算机在模式方面往往比人类更好,这使得它们在高度视觉领域如整形和修复手术中成为强大的盟友,在手术中检测,诊断,监测和评估患者的治疗效果。 事实上,整形外科医生恢复了整个身体的体型和功能:管理烧伤,治疗,在事故和手术后进行修复,以及纠正先天性缺陷,如唇裂。人工智能可以显著提高这些工艺,是因为和视频已经是整形外科医生治疗的一部分。 wolterskluwer.http.internapcdn.netwolterskluwer_vitalstream_comMP4spermalinkprsbprs_137_5_2016_03_18_kanevsky_1501199_sdc1.mp4整形外科医生和科医生通常一起合作治疗科医生发现一个巨大的变生长时,他们会咨询一个整形外科医生来切除病变并重建被留下的洞。及早发现症是成功治疗的关键,因此利用人工智能来提高对的自动检测是非常有用的。 最近,一组研究人员训练了一个人工智能用于检测和分类,比科医生更准确。有许多研究表明人工智能在筛查黑色素瘤方面的前景。

    45150

    院长日记 | AI人工智能会取代医生吗?

    研究人员使用了从腺、鳞状细胞患者获得肺基因谱2186张。数据库还包含了每例肿瘤的级、期和每例患者在诊断后的存活时间信息。 “AI再登Nature封面:诊断,准确度堪比专家”斯坦福大学的研究人员采用深度卷积神经网络,通过大量训练发展出模式的AI,使计算机学会分析片并诊断疾病。 训练计算机的数据库由129,450张病变片和对应的文字描述组成,涵盖了2032种病。而诊断的“参考答案”则由病专家提供,他们依靠的是非侵入性分析和组织活检。 研究者向受训的计算机和21名执业医师分提供了一批训练数据集中没有出现过的病变片,这些片都由组织活检确定了对应的病症。诊断比赛的结果是计算机的准确率和人类医生差不多,有时候还胜过人类医生。 从目前的应用来看,人工智能应用比较好的领域是科、病理科和影科。科在中国台湾和一些欧美国家都是医学院学生在毕业的时候最喜欢选择的科室,因为工作相对轻松,收入颇丰,而且还不用值夜班。

    66060

    Google无人车之父Thrun最新演讲:AI将让人类更富创造力

    其中医疗领域技术要求最高的是病领域,病领域的专家的薪酬特高,他们会研究人的的每一个状况,黑色素瘤以及其它的症都可能带来严重的生命威胁。 在斯坦福,我的学生试利用AI让病专家的工作更轻松一些。学生发现了一些规律,他们找到了13万幅病的切片片,这些片后来都拿来做计算机训练,利用切片读取,用来判断人是不是有症。 要进行分类实际上有很多困难,哪些片代表恶性的,哪些片代表良性的,这就是病专家专业知的价值所在。 我们最终训练一个神经网络,你可以接触到关于病或者症的各种各样的信息,你可以拿到很多的信息,这些信息可能并不是相关的,在这幅上或许你可以找到所有的症,但是特异性如果是0,意味着特异性不足 ,这种情况下就不会造成

    36480

    相关产品

    • 图像分析

      图像分析

      腾讯云图像分析基于深度学习等人工智能技术,提供综合性图像理解、图像处理、图像质量评估等服务,包含图像标签、logo识别、动漫人物识别、植物识别等,可以用于智能相册、视频理解、AI营销等场景…..

    相关资讯

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      扫码关注云+社区

      领取腾讯云代金券