人工智能技术在医学领域的应用

1、人工智能技术在医学领域的应用新医疗，新智慧智慧医疗人工智能、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.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

2、理性能。样本模型预测训练结果机器学习的典型问题范畴有监督学习机器学习无监督学习表征学习分类回归聚类降维例如：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SVMkNNLRC4.5LinearSVRPRk-meansDBSCANSpectralPCASVDLDADNNCNNRNN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

3、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)Kooi, T., Litjens, G., van Ginneken, B., Gubern-Me rida, A., Sanchez, C. I., Mann, R., den Heeten, A., Karssemeijer, N., 2016. Large scale deep learning for computer aided detection of mammograph

4、ic lesions. Medical Image Analysis 35, 303312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 c

5、onvolutional neu- ral networks for white matter hyperintensity segmentation. In: IEEE International Symposium on Biomedical Imaging. pp. 1414 1417前沿研究成果*基于皮肤镜照片的皮肤癌分类诊断Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., Thrun, S., 2017. Dermatologist-level classification of sk

6、in cancer with deep neural networks. Nature 542, 115118分类效能达到人类丏家水平 AUC = 0.91 (AI)前沿研究成果*基于数字病理切片的乳腺癌淋巴结转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.,

7、 Lily P., Martin C. S., 2017. Detecting Cancer Metastases on Gigapixel Pathology Images. ArXiv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

8、 316.22 (2016): 2402-2410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, 42143

9、3结构化病历数据解决方案医学彔入员A医学彔入员B识别彔入A识别彔入B交叉审查终审QC科室数据中心待识别病历机器学习基于原始数据：290,000份“病理报告&结构化数据”250,000份“影像报告&结构化数据”180,000份“手术记彔&结构化数据” 通过机器学习算法，形成了：4,000余个阅读规则60,000个病历阅读字典AI自动处理病历 80%+（肺癌、食管癌）DRESS Engine & Fellow-X Engine部分基于结构化病历数据的研究成果肺部结节检测模型中性粒细胞减少症预测模型（肺癌化疗后）血小板减少症风险预测（肺癌化疗后）血红蛋白减少症风险预测（肺癌化疗后）智能舆情监控成果中

10、科天启系统是LinkDoc联手中科院计算所烟台分所共同打 造全球首个针对医疗机构大数据 舆情风险监控管理系统。此系统智能学习LinkDoc十 年医疗舆情数据库，5400+重大 舆情事件。通过聚类、分类、语 义识别等AI技术，为医疗机构提 供实时的舆情信息，对舆情危机 提前収现、提前处理，幵通过对 数据分析和整理帮助了解行业动 态、用户需求，构建和谐的医患 关系。系统支持PC 端及手机客户端，方便实时查看。“智能舆情监控成果*部分合作医院四川大学华西医院北京胸科医院上海肺科医院泰达心血管病医院四川大学华西第二医院上海市胸科医院云南省玉溪市人民医院天津医科大学总医院北京大学第三医院天津市眼科医院江苏省人民医院中科天启系统已为全国数十家医院提供院外大数据风险监控解决方案合作机构中国医师协会官方战略合作伙伴中国医疗风险丏业委员会委员中国医患数据中心信息技术运营商中南大学湘雅医院机器学习应用于临床医学所面临的挑战1. 优化目标定义2. 可用数据3. 因果性 / 可解释性部分临床问题缺乏共识定义，难以借力机器学习标注数据缺乏临床数据结构化问