我们已经更新了隐私政策为了更清楚地说明我们如何使用您的个人资料。

我们使用cookie为您提供更好的体验。你可参阅我们的饼干的政策在这里。

广告

医学图像分析——计算机能诊断疾病吗?


想要这篇文章的免费PDF版本?

填写下面的表格,我们会将PDF版本的医学图像分析——计算机能诊断疾病吗?

188金宝搏备用科技网络有限公司需要您提供给我们的联系信息,以便就我们的产品和服务与您联系。您可以随时退订这些通讯。有关如何退订的信息,以及我们的隐私惯例和保护您隐私的承诺,请查看我们的隐私政策

阅读时间:

2017年,斯坦福计算机科学家报告他们的成功利用计算机视觉工具,利用人工智能来诊断皮肤异常,这是皮肤癌的早期潜在指标。

他们不是第一家将计算机视觉应用于医疗领域的公司,也不应该是最后一家。让我们进一步了解人工智能对诊断的影响,以及这项必将改变我们生活的技术的未来。

计算机视觉的工作原理

计算机“看到”的图像与我们不同。当我们看到一张木结构的照片时,可能会使用大脑中存储的特定上下文信息来确认它是一所房子,而计算机只能看到一系列定义这幅图像的技术元素的数字。如果没有附加的上下文,它无法确认这是一所房子。

添加这个上下文是人工神经网络和计算机视觉中使用的其他机器学习模型的工作。这些模型是在图像数据集上训练的,这些数据集通常非常庞大,包含数十万甚至数百万张图像。

这里的“训练”是指使用人工智能软件应用于数据集的复杂数学函数和算法,以便从数字化图像中提取有意义的模式(即对应于特定类型的髋部骨折的特定特征)。目前最成功的计算机视觉方法之一是一类深度学习模型卷积神经网络(cnn)。

训练结束后,CNN“知道”这些模式,现在可以在尚未见过的新图像中寻找它们。例如,它可以在医学x光图像中发现“髋部骨折模式”,并相应地标记它。这似乎与人类学习和应用知识的方式相似,但不要被欺骗。我们谈论的模式最终是用0和1编码的纯数学——不是你实际能看到的东西。

同样值得注意的是,CNN的“情报”仅限于它训练过的那些数据集。这意味着轻微的移动、交替或图像质量差可能会使分类更加困难,结果将变得不那么准确。

该技术的医疗应用案例

计算机视觉顾问目前开发这样的解决方案,以满足广泛的医学成像需求。该技术可用于各种类型的医学成像——ct、MRI、PET、超声和x射线。

超声波

自从20世纪60年代早期,超声扫描被引入商业医疗以来,它已被应用于许多医学领域。它们已被证明有助于诊断胎儿的先天性残疾。通过结合计算机视觉技术,超声专家可以更容易地在扫描中发现肉眼可能遗漏的异常,从而提高识别的成功率。

计算机视觉应用于超声波的一个商业例子是飞利浦AI乳房.这种解决方案通过强调关键的解剖标志和标记可能包括病理的区域,帮助超声医生进行诊断。

核磁共振成像

磁共振成像利用磁场来观察和检测身体内部的问题,特别是关节、组织和血管,这些地方的x射线很难得到清晰的图像。为核磁共振成像配备计算机视觉可以让医生更快地处理获取的图像,并对肉眼所遗漏的微小不规则现象发出警报。在核磁共振成像的情况下,在早期诊断动脉瘤和血管问题时,这可能是必要的,以进行相应的治疗。

一个研究论文大阪市立大学医院的一项研究建议使用深度学习来自动检测脑动脉瘤。日本研究人员使用的计算机视觉算法检测动脉瘤的灵敏度为91%-93%,并将动脉瘤检出率提高了4.8%-13%。

CT

计算机断层扫描通常用于确定肿瘤的确切位置,或通过检查内出血和器官损伤来调查车祸的结果。将计算机视觉技术添加到目前用于CT的技术中,可能会使这一过程自动化,使医生更容易、更快地定位病变和损伤,并提高治疗成功率。

资料来源:中佛罗里达大学卡伦·诺鲁姆


去年,来自中佛罗里达大学的工程师训练CNN来检测经常被医生忽略的小肺部肿瘤。据称,该系统检测这些小病变的准确率为95%,而人类识别这种类型的癌症的准确率只有65%。


你的私人电子诊断医生?还没有。

虽然医学图像分析系统(特别是基于卷积神经网络的系统)显示的一些结果确实令人印象深刻,但我们甚至还没有完全依赖它们进行诊断。即使是一个医疗错误的成本也很高,而且机器学习算法并不完美,通常只擅长高度集中的任务(比如上面例子中检测小的肺部病变)——它们看不到大局。此外,最成功的ML模型是黑箱——这意味着它们的推理是隐藏在我们的眼睛之外的,因此我们不能完全信任它们。

在计算机视觉和人工智能的这些问题和其他问题得到解决之前,我们仍然可以依赖医学图像分析系统作为不可或缺的助手,可以加快诊断速度并提高诊断的准确性。

作者信息

Yaroslav Kuflinski是一名AI/ML观察员Iflexion.他在IT领域有丰富的经验,并随时了解最新的AI/ML研究。Yaroslav专注于AI和ML作为解决复杂业务问题和最大化运营的工具。


广告
Baidu