国际关注∣解读“CRA关于AI在放射学中应用的白皮书”-第二节

第二节：放射科领域相关的AI术语

1.AI领域的层次结构

人工智能（Artificial intelligence, AI ）:“人工智能”这个词最早出现于1955年，AI是计算机科学的一个分支，它致力于开发计算机算法来完成传统上与人类智能相关的任务，如学习和解决问题的能力等。AI是一个广泛术语，它涉及多种语言和技术。

机器学习（Machine learning，ML）：是AI研究的一个部分，它利用数据和观察向计算机提供知识而不需要明确地编程，这是通过优化算法内的参数来优化输入（输入到算法中的文本、图像或视频数据）和输出（分类）之间的拟合优度来实现的，并允许计算机将所获得的知识正确推广到新的设置。

ML的算法随着被暴露于大量数据而不断进化，几乎所有的ML算法可以用来学习放射学检查的像素数据的“学习”，通过评估大量人工标注的检查结果而给出特定的答案。例如，通过分析大量已经人工标注了正常或有肺结节的胸片的训练，实现一种用于肺结节检测的ML算法。

表示学习（Representation learning）：表示学习或者特征学习，是机器学习的一种亚型，但它没有“人工标注”的特征，而是通过计算机算法学习所需的特征，进而对所提供的数据进行分类。

训练数据的量对ML算法的性能有影响：添加数据通常会提高性能。如果提供足够的训练数据，基于表示学习的系统可以比包含“人工标注”特征的传统ML系统获得更好的性能。

深度学习（Deep learning）：是表示学习的子领域，它依赖于多个处理层（即深度）来学习具有多个抽象层的数据表示。这些算法中的各个层用于检测层次结构中从简单（例如线条、边缘、纹理、强度）到复杂的（例如形状、病变或整个器官）各种特征。

图1：韦恩图注释本文中涉及到的AI领域的层次结构（引自Goodfellow I, Bengio Y, Courville A. Deep Learning. 1st ed.Cambridge, MA: MIT Press; 2016.）。

2.神经网络

神经网络（Neural networks）是目前最常用的图像分析算法,其设计灵感来自于大脑中的神经元。这些神经网络由连接节点（或神经元）的层组成，并且可以包含数千到数百万个节点。每个节点接收来自其他节点的某种模式的信息。如果节点接收到的信息越过阈值，则该节点将信号发送到其他节点组。这些输出是加权的，它们接收弱刺激时会发出小信号，而当它们接收适当的输入时会发出强信号。

整个神经网络的最终目标是在每场考试结束时都能找到与考试标签相匹配的答案。从数学的角度看，算法试图最大化正确答案的数量。最初，它随机设置每个节点的权重和输入，从而随机猜测答案，并将猜测的答案与人类提供的真实的“基础事实”标签进行比较，以此改变神经连接的模式和分配给每个节点的权重，进而产生另一个猜测。这个过程被重复数千或数百万次，每次都对节点进行调整，以提高在下一次猜测中更好匹配基础事实标签的机会。

神经网络的训练包括改善算法猜测、比较和改变权重以进行更好的猜测，并再次进行比较，以获得数千或数百万个增量更好的猜测，最后达到一个节点，其中更多的猜测或者停止改进结果，或者因改进中的变化变得太小而不被忽略。

神经网络有很多种类型，每种都代表不同的方式来聚集这些节点、节点如何改变它们的权重、它们如何组合以及从它们接收输入的位置、它们的输出到哪个节点。常见的神经网络类型包括卷积神经网络（convolutional neural network）、递归神经网络（recurrentneural network）、长短记忆(long- or short-term memory)和生成对抗网络(generative adversarial networks)。在实践中，这些不同类型的网络可以组合起来使用。

3.学习过程

学习过程可以通过监督学习（supervised learning）或无监督学习（unsupervised learning）来实现，其中前者的训练数据集包含人工注释以匹配算法的期望输出，而后者的训练数据中不包含人工注释，而是通过算法对数据进行集群或组织以揭示其潜在的模式。

目前用于放射学检查的ML几乎都是通过需要适当标记的训练数据的监督学习来实现的。这突出了2个挑战：1）对关键成像进行适当的标记，一个繁琐且耗时的过程，2）对基础事实的合理定义（如放射学报告、病理报告、临床结果）。ML算法的合理训练需要新的方法来标记数据或处理粗略标记的数据。通常在连续体上发现的基础事实（例如，从正常的、可能是正常的、不确定的、可能是异常的到确定是异常的）可能需要人工聚类为正常的和非正常。美国放射学会（ACR）使用的一种方法是为常见问题定义用例。

这些程序的力量在于它们能够从包括医学图像在内的复杂数据中找出他们的模式。对于图像分析，ML算法可以识别超出人类检测阈值的细微图案，并有可能提取有价值的新信息。

ML算法常常需要大量的数据来“学习”以提供有用的答案，并且处理这些数据需要强大的计算能力。图形处理单元（graphical processing units ，GPU）能力的快速增长，最初用于加速计算机图形的创建，例如用于游戏中，为ML目的提供灵活的硬件。对计算能力和大型训练数据集的访问使得这些算法具有成本效益。

4. 给放射科医师的建议

（1）放射科医师要熟悉不同的AI技术；

（2）放射科医师应该了解与为监督学习准备的训练数据集有关的挑战。

（3）放射科医师要熟悉AI相关的术语和分层结构。

以上就是我们《加拿大放射科医师协会关于人工智能在放射学中应用的白皮书》解读中关于放射科领域内涉及到的AI术语的介绍，其中重要的AI专业词汇都加粗下划线标注了， 您掌握了吗？ 没有的话可以再去回头看一眼哦 ~

敬请期待下一篇放射科学领域内AI相关的教育篇!

新手上路，欢迎大家的批评指正，如有任何意见、建议请及时告诉我们，我们会及时更正并不断进步；如果我们文章的任何一个小点或者图片引起了您的共鸣，请为我们点个赞，给我们一点点鼓励，将感激不尽；期待您的反馈！