當谷歌DeepMind的AlphaGo在2016年令人震驚地擊敗傳奇圍棋選手李世石(Lee Sedol)時，人工智能(AI)、機器學習和深度學習等術(shù)語被推入了技術(shù)主流。

人工智能通常被定義為電腦或機器展示或模擬智能行為的能力，比如特斯拉(Tesla)的自動駕駛汽車和蘋果(apple)的數(shù)字助理Siri。這是一個蓬勃發(fā)展的領(lǐng)域，也是許多研究和投資的重點。機器學習是人工智能系統(tǒng)從原始數(shù)據(jù)中提取信息，并從新數(shù)據(jù)中學習預測的能力。深度學習將人工智能與機器學習相結(jié)合。它關(guān)注的算法靈感來自于大腦的結(jié)構(gòu)和功能，稱為人工神經(jīng)網(wǎng)絡(luò)。

最近，深度學習在消費者世界和整個醫(yī)學界都受到了廣泛關(guān)注。Alex Krizhevsky設(shè)計的神經(jīng)網(wǎng)絡(luò)AlexNet獲得了2012年ImageNet大型視覺識別挑戰(zhàn)賽(ImageNet Large Scale Visual Recognition Challenge)的冠軍，這是一項年度圖像分類競賽。另一個相對較新的進展是使用圖形處理單元(graphical processing units, GPUs)來支持深度學習算法。GPUs擅長深度學習應(yīng)用程序所需的計算(乘法和加法)，從而降低了應(yīng)用程序的處理時間。

在薩斯喀徹溫大學的實驗室里，研究人員正在進行與醫(yī)療保健應(yīng)用相關(guān)的有趣的深度學習研究——作為一名電氣和計算機工程教授，Seokbum Ko教授領(lǐng)導著這個研究團隊。在醫(yī)療保健方面，使用人工智能或機器學習進行診斷是一項新技術(shù)，已經(jīng)取得了令人興奮和充滿希望的進展。

提取眼睛里的血管

視網(wǎng)膜血管異常是診斷糖尿病和心臟病的重要手段。為了提供可靠和有意義的醫(yī)學信息，醫(yī)生必須從視網(wǎng)膜圖像中提取視網(wǎng)膜血管進行可靠和有意義的解釋。雖然手工分割是可能的，但它是一項復雜、耗時、繁瑣的工作，需要較高的專業(yè)技能。這個研究團隊已經(jīng)開發(fā)出一種系統(tǒng)，可以通過讀取原始視網(wǎng)膜圖像來分割視網(wǎng)膜血管。它是一種計算機輔助診斷系統(tǒng)，減少了眼科護理專家和眼科醫(yī)生的工作量，處理圖像的速度提高了10倍，同時保持了較高的準確性。

檢測肺癌

計算機斷層掃描(CT)被廣泛應(yīng)用于肺癌的診斷。然而，由于CT掃描中良性(非癌性)和惡性(癌性)病變的視覺效果相似，因此CT掃描不能總是提供一個可靠的診斷。即使是有多年經(jīng)驗的胸部放射科醫(yī)生也是如此。CT掃描分析的快速發(fā)展，迫切需要先進的計算工具來協(xié)助放射科醫(yī)生進行篩查。

為了提高放射科醫(yī)生的診斷能力，研究人員提出了一種深度學習的解決方案。根據(jù)他們的研究結(jié)果，他們的解決方案優(yōu)于有經(jīng)驗的放射科醫(yī)生。此外，使用基于深度學習的解決方案總體上提高了診斷性能，經(jīng)驗較少的放射科醫(yī)生從系統(tǒng)中獲益最大。

局限和挑戰(zhàn)

盡管深度學習算法已經(jīng)在放射學和醫(yī)學的各種任務(wù)中顯示出巨大的前景，但這些系統(tǒng)還遠遠不夠完美。獲取高質(zhì)量的帶注釋的數(shù)據(jù)集仍然是深度學習培訓的一個挑戰(zhàn)。大多數(shù)計算機視覺研究是基于自然圖像的，但對于醫(yī)療保健應(yīng)用程序，我們需要大型的帶注釋的醫(yī)療圖像數(shù)據(jù)集。

從臨床角度來看，另一個挑戰(zhàn)將是測試深度學習技術(shù)與人類放射科醫(yī)生相比表現(xiàn)如何。醫(yī)生和機器學習科學家之間需要更多的合作。人類生理的高度復雜性也將對機器學習技術(shù)帶來挑戰(zhàn)。

另一個挑戰(zhàn)是驗證用于臨床實施的深度學習系統(tǒng)的需求，這可能需要多機構(gòu)協(xié)作和大型數(shù)據(jù)集。最后，需要一個高效的硬件平臺來保證深度學習系統(tǒng)的快速處理。在復雜的醫(yī)療保健領(lǐng)域，人工智能工具可以支持人類從業(yè)者提供更快的服務(wù)和更準確的診斷，并分析數(shù)據(jù)，以識別可能導致某人患上某種特定疾病的趨勢或遺傳信息。

當節(jié)省時間就意味著挽救生命時，人工智能和機器學習可能會對醫(yī)療工作者和患者產(chǎn)生革命性的影響。