首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

医学新科技——人工智能与图像识别在医疗诊断中的应用

智能已广泛应用于当代生活中,其火爆程度已让研究人员与投资者无法回避。与传统统计方法相比,机器学习的优势在于它可以处理数量巨大、特征繁多的数据;并基于学习过去的经验与知识,在遇到新的问题时,通过归纳出的解决方法来处理问题。

1

人工智能识别医疗影像的优势

传统上,医生需要通过病人的表观病征,生理检验结果等一系列数据对病情做出判断,而这一切都是可标准化的数据,可以交由人工智能进行处理。人工智能可以根据临床反应与生理指标,快速地调出可能对应的疾病,辅助医生进行判断。

与此同时,人工智能可以依靠其强大的搜索能力对海量的过往病例与治疗方案,以及文献进行检索, 提出完备的治疗方案。在针对罕见病的治疗上,这一特性可以弥补医生因经验不足而导致的束手无策。根据调查报告预测,医疗人工智能的市场将会在2024年达到100亿美元的规模,涉及诊断,治疗,预防等各个环节。

随着人们健康意识的提高,海量影像数据被飞快地产生,IBM的研究人员估计,大约百分之九十的医疗数据是图像数据。到2020年,我国医学影像市场的规模将达到7000亿人民币,而如今医院往往缺乏足够的医护人员能正确而迅速地读取图片信息,因此对于能够快速处理影像数据能力的需求也十分巨大。

此外相比于人类医生,人工智能还具有如下优点

1.判断更加准确。由于一些生理结构图像过于复杂,人眼往往难以识别出其中的特征,但是人工智能通过大量案例学习后能发现潜在的规律。研究者表明,他们开发的机器学习算法可以比医生更加准确的识别肺部癌变。国内开发的人工智能医生也获得了相似的结果,在更短的时间内处理了更多的图片,并且取得了95%的正确率,高于测试中的医生正确率约两个百分点。就像资深医师因为看过众多图片而比普通医生的判断更加准确,人工智能可以学习大量的图片来提高自己的正确率。

2. 人工智能可以大批量快速地处理图像数据。只要计算能力充足,人工智能便可以一次性处理大量图像数据。更重要的是,人工智能并不会感到疲劳,可以24小时工作。相对的,人类医生在一天的工作中可能因为疲劳而产生错误。

3.人工智能可以处理图片的类型更加丰富。由于病症的种类繁多,从心血管疾病到癌症等均会涉及到成像与识别,一名人类医生很可能只擅长其中的一两种的图像识别,而不是全部精通。相反,计算机的高效性与大数据容量使其能够学习识别不同的病症图像,处理不同的图像种类。这样一个人工智能就可以取代多名不同科室的医生。

4.人工智能进行图像识别可以与病人的“大数据”相结合。人工智能可以不局限于病人的图片数据,而是结合其病史,遗传背景,家族病史等其他可以数据化的信息 。它甚至可以结合病人的饮食结构,生活作息等数据到模型当中,对病情进行更精确与个性化的判断与预测。它不仅可以快速读懂医疗影像,还能根据电子病例数据库进行分析诊断。此机器人还可以与病人进行对话来获得症状,日常习惯等信息,可以说在不久的将来就能实现机器人的“望闻问切”了。

5. 除此以外,人工智能还可以与“云”相结合,帮助医生远程进行图片分析。比如某一地方医院由于人手不足而无法处理的图片,可以上传到云端进行分析,再把结果返回到本地,进一步释放了医生的生产力。我们甚至可以预测,在将来的某一天,成像设备可以直接把获取的图像传到医院以外的某一处处理中心,一个中心可以帮助多家医院进行图像处理,并把结果反馈给医生,同时图像数据也可以保存在云端,免去携带实体影像的麻烦。

2

人工智能识别医疗影像的挑战

为了获取高正确率的预测,机器学习模型需要大量的训练数据,这就涉及了以下挑战

1.均一化数据获取。人工智能算法开发人员首先要面对的是从何处获取足够的图片数据来训练自己的模型。虽然国内医院产生了很多的图像,但很大部分并非数字化图像,而数字化图像也需要经过医院同意以及匿名处理才可以使用。

2.偏差性。如果获取图像的来源过于单一,可能会导致模型的预测结果有偏差。这是因为不同医院使用机器不同,放射剂量不同,因此面对相同的病灶所得的图像可能也有不同。所以用某一医院图像数据训练出来的模型去分析另一医院的图像,准确率可能会大幅下降。解决这一问题的办法就是尽可能使数据来源多样化,避免内在的偏差。

3.数据共享。由于我国医院多独立运作,现阶段缺乏统一的机制来协调共享图像数据,并且这些数据还需要采用统一的格式才能用于机器学习,因此各独立体之间缺乏意愿与能力来共享数据。

4.数据标注。即使获得了大量图像,由于不同类型病症对应的图像差异巨大,还需要对这些图片进行正确标注,才能使得机器学习模型能够进行正确地学习,而这一过程又需要大量人工。要知道,用于模型训练对数据量往往是数以十万计甚至百万计的,要对这么多数据进行标注,其难度可想而知。

5.法律法规。运用人工智能进行医疗影像处理的一大障碍是法律法规层面的不完善。毕竟计算机再智能,也无法保证百分之百的正确率,那么当误判发生,耽误了病人的及时治疗时,是医生,医院,还是负责提高图像识别服务的公司要对此负责?又要如何划分责任呢?此外由于信息被数据化了,也就存在外泄的可能性。一旦病人隐私被泄露,将引起新的麻烦。如今美国正在着手规划人工智能在医学领域应用的标准,只要人工智能对使用者健康风险影像较小,就可以进行基本健康服务,但对于更加具体的疾病诊断的应用仍在探索之中。

3

人工智能图像识别的市场

在医疗上进行人工智能的诸多尝试上,能够率先改变现有医疗格局并商业化的莫过于人工智能在医疗影像识别中的使用,其中最主要的两个原因是

1.图像识别本身的算法门槛较低,研究充分,且在许多其他领域有所运用,可以较为方便地迁移到医疗影像的处理上;

2.医疗影像产生了大量的图片数据,数据结构简单,便于用作机器学习的素材。

根据研究,目前医疗影像市场中采用人工智能方法的公司有五十家左右,其中接近一半是近两年成立的,并且有超过三分之一的公司是在美国成立。大部分的投资都在两百万到五百万美元之间,而2016年全年的投资在五千六百万美元左右。这些公司中大约一半的研究方向是全身多区域的影像处理,另一半则集中在特定区域,诸如乳腺,心血管等。

这些研究主要运用人工智能去解决以下问题:1.肿瘤探测。比如皮肤色素瘤,乳腺癌,肺部癌变的早期识别。2.肿瘤发展追踪。人工智能可以根据器官组织的分布,预测出肿瘤扩散到不同部位的概率,并能从图片中获取癌变组织的形状,位置,浓度等等。3.血液量化与可视化。通过核磁共振图像,人工智能可以更有效地再现心脏内部血液的流量变化,并且探测心脏病变。4.病理解读。由于不同医生对于同一张图片的理解不同,人工智能可以被训练用于解读图片,并向医生提供较为全面的报告,使医生可以了解到多种不同的病理可能性。5.糖尿病视网膜病变检测。由糖尿病导致的视网膜病变是失明的一大主因,而早期治疗可以有效减缓这一症状。人工智能可以辨认出处于早期的患者,并能根据图片像素判断病情的发展程度。

4

总结

人工智能在医疗图像识别上的运用才刚刚起步,其未来潜在的发展是巨大的,然而我们也要注意其中可能的障碍,以及不同市场对其需求的差异,比如不同领域对计算的需求是有差异的,避免可能带来的投资损失。考虑到国内外都处于相近的发展阶段,相信只要发展得当,国内企业也能在国际上取得领先地位,并且抢占全球市场。

部分图文源于网络

版权归原作者所有

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180709B1A8MY00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券