医学图像分析计算机诊断疾病?
2017年,斯坦福大学的计算机科学家报告了他们的成功用计算机视觉工具,利用人工智能诊断皮肤异常,早期皮肤癌的潜在指标。
他们不是第一个使用计算机视觉在医疗领域,他们也不应该是最后一次。让我们了解更多关于人工智能对诊断的影响和未来的科技一定会改变我们的生活。
计算机视觉是如何工作的
一台电脑对我们“看到”图片不同。我们也可以看的照片一个木制结构和使用特定的上下文信息存储在我们的大脑来确认这是一个房子,电脑只会看到一系列的数字定义的技术元素的形象。没有额外的上下文,它无法证实这是一个房子。
添加这个上下文是人工神经网络的工作和其他机器学习模型用于计算机视觉。这些模型训练图像数据集,这通常是巨大的,包含成千上万,如果不是上百万的图像。
“培训”,这里的意思是使用复杂的数学函数和算法,人工智能软件适用于数据集,以提取有意义的模式(即从数字化图像。,具体功能对应于一个特定类型的髋部骨折)。最成功的计算机视觉方法现在是深度学习的类模型卷积神经网络(cnn)。
培训结束后,CNN“知道”这些模式,现在可以寻找他们在还没有见过的新图片。例如,它可以发现“髋部骨折模式”在医用x射线图像和标签。这似乎类似于人类学习和应用他们的知识但不要欺骗。我们谈论的是最终是纯粹的数学模式编码在0和不好的你能看到的东西。
同样值得注意的是美国有线电视新闻网的“智能”是有限的数据集上训练。这意味着轻微运动,交替或质量差的图像可以使它更难以分类,结果会不准确。
医疗技术的用例
计算机视觉顾问目前开发等多种医学成像解决方案的需求。这项技术可以处理各种类型的医疗imaging-CT,磁共振成像,宠物,超声和x射线。
超声波
因为他们的商业医疗介绍在1960年代早期,超声波扫描已经使用在许多医学领域。他们已经证明了仪器在诊断胎儿先天性残疾。通过结合计算机视觉技术、超声专家可以更容易地探测到异常扫描可以肉眼所忽略,从而增加识别的成功率。
一个商业计算机视觉应用于超声波的例子飞利浦AI乳房。这个解决方案可以帮助检验诊断通过强调关键解剖标志和标签可能包括病态的领域。
核磁共振成像
磁共振成像使用磁场可视化和体内检测问题,特别是在关节,组织和血管,x射线很难得到清晰的图像。装备将计算机视觉与MRI可以让医生处理获得更快的图像和由肉眼提醒分钟违规了。在核磁共振成像的情况下,这可能是重要的早期诊断动脉瘤及血管问题时相应地治疗。
一个研究论文大阪市立大学医院建议使用自动检测的深度学习脑动脉瘤。日本研究人员所使用的计算机视觉算法发现动脉瘤敏感性为91% -93%和动脉瘤检测提高了4.8% - -13%。
CT
电脑断层常被用来确定肿瘤的确切位置或调查车祸的结果,通过检查内出血和器官损伤。将计算机视觉技术添加到当前技术用于CT可能这个过程的自动化,使医生更容易和更快的定位病变和损伤,提高治疗成功率。
信贷:佛罗里达中央大学,凯伦Norum
你的个人电子诊断医生?还没有。
虽然一些医学图像分析系统所表现出的结果,尤其是那些基于卷积神经网络,真正打动,我们甚至没有接近完全依靠他们在诊断。甚至一个医学错误的成本很高,excel和机器学习算法并不完美,通常只有在高度集中的任务(如检测小肺损伤在上面的示例中)——看不到大局。除此之外,最成功的ML模型是黑色盒子意味着他们的推理是隐藏在我们的眼睛,所以我们不能完全信任他们。
直到这些和其他计算机视觉和人工智能的问题解决了,我们仍然可以依靠医学图像分析系统不可或缺的助手,可以加快诊断和提高其精度。
关于作者的信息
雅罗斯拉夫Kuflinski AI /毫升的观察者Iflexion。他有深厚的经验,不断更新最新的AI /毫升的研究。雅罗斯拉夫侧重于人工智能和ML作为工具来解决复杂的业务问题和最大化操作。
