人工智能技术在医学领域的应用及前景

前沿研究成果*
基于眼底照片的糖尿病性视网膜病变检测
检测效能达到人类丏家水平 AUC = 0.991 (AI)
Gulshan, Varun, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316.22 (2016): 2402-2410
‣ 检查分类 ‣ 目标区域/病灶分类
2. 目标检测
‣ 器官、组织及标记定位 ‣ 病灶检测
3. 图像分割
‣ 器官/解剖结构区域分割 ‣ 病灶区域分割
4. 影像检索
‣ 基于内容的影像检索
病历信息结构化
医院舆情监控
前沿研究成果
基于乳腺钼靶影像的病变检测
检测效能接近人类丏家水平 AUC = 0.852 (AI) vs. AUC = 0.911(Mean Reader)
PCA SVD LDA
表征学习
DNN CNN RNN
例如：肺部结节良恶性判定
例如：载脂蛋白同低密度胆固醇 的关联分析
例如：基于分子分型和临床表现 的相似群体划分
例如：癫痫患者脑电信号 的电极选择和特征提叏
例如：影像数据变换为反映 异常情况的定长数值向量
当前医疗领域机器学习应用热点方向
医学影像处理
1. 影像分类
前沿研究成果*
基于脑部MRI的白质高信号灶分割
分割效能接近人类丏家水平 Dice = 0.780 (AI) vs. Dice = 0.796 (Indep. Obs)
Ghafoorian, M., Karssemeijer, N., Heskes, T., van Uden, I. W. M., de Leeuw, F.-E., Marchiori, E., van Ginneken, B., Platel, B., 2016b. Non-uniform patch sampling with deep convolutional neu- ral networks for white matter hyperintensity segmentation. In: IEEE International Symposium on Biomedical Imaging. pp. 1414– 1417
人工智能技术在医学领域的应用与前景
零氪科技（北京）有限公司 首席架构师 中科院计算医学工程技术中心 研究员 王晓哲
人工智能、机器学习还是深度学习？
机器学习的定义
A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
前沿研究成果*
胸片骨减影
减影后影像质量超过了常用的双能量数字减影摄影术 （DES）
Yang, W., Chen, Y., Liu, Y., Zhong, L., Qin, G., Lu, Z., Feng, Q., Chen, W., 2016c. Cascade of multi-scale convolutional neural net- works for bone suppression of chest radiographs in gradient do- main. Medical Image Analysis 35, 421–433
Kooi, T., Litjens, G., van Ginneken, B., Gubern-Me ́rida, A., Sa ́nchez, C. I., Mann, R., den Heeten, A., Karssemeijer, N., 2016. Large scale deep learning for computer aided detection of mammographic lesions. Medical Image Analysis 35, 303–312
结构化病历数据解决方案
DRESS Engine & Fellow-X Engine
前沿研究成果*
基于数字病理切片的乳腺癌淋巴结wenku.baidu.com移检测
检测效能达到人类丏家水平 AUC = 0.986 (AI) vs. AUC = 0.966 (Pathologist)
Yun L., Krishna G., Mohammad N., George E. D., Timo K., Aleksey B., Subhashini V., Aleksei T., Philip Q. N., Greg S. C., Jason D. H., Lily P., Martin C. S., 2017. Detecting Cancer Metastases on Gigapixel Pathology Images. ArXiv
前沿研究成果*
基于皮肤镜照片的皮肤癌分类诊断
分类效能达到人类丏家水平 AUC = 0.91 (AI)
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., Thrun, S., 2017. Dermatologist-level classification of skin cancer with deep neural networks. Nature 542, 115–118
——Tom Mitchel，Machine Learning
计算机通过对已有资料的来积累经验，自动提高对任务的处理性能。
样本
模型
训练
预测
结果
机器学习的典型问题范畴
有监督学习
分类 回归
SVM kNN
LR C4.5
Linear SVR PR
机器学习
无监督学习
聚类 降维
k-means DBSCAN Spectral