人工智能在医学领域的发展前景
伴随人工智能的方兴未艾,医学影像与人工智能的结合被认为是最有发展前
景的领域。时至今日,人工智能在医疗行业实现了许多创新,除可提高医生的工
作效率,还可提高诊断准确率,使精准医疗真正成为可能。
其实,早在 20 世纪 80 年代,人们就开始尝试使用计算机网络解决实际问
题。当时,这种方法尚停留在模仿的初级阶段,与真正的智能相距甚远,很难在
临床实践中发挥真正作用。然而近一年来,随着计算机运算速度的不断提升,人
工智能,尤其是深度学习技术,在医学辅助诊断上的应用日趋成熟,已然进入更
高级的阶段。
人工智能技术在人脸识别、语音识别等领域均取得了突破性进展,很大程度
上归功于数量庞大的多媒体和互联网数据,以及能力惊人的存储技术和计算机设
备的更新。因此,深度学习技术也越来越多地应用于医学图像分析和计算机辅助
诊断,特别是在解决医学图像分割和分类问题方面的应用。
人工智能在医学影像的应用主要分为两个部分:其一是图像识别; 其二是深度学
习。这两部分均是基于医学影像大数据所进行的数据上的挖掘和应用,其中深度
学习是人工智能应用的核心环节。如果这两部分均得以实现,将改写医学影像学
在学科发展中的方向。
10 年前,神经网络领域专家 Geoffrey Hinton 教授在 Science 上发表论文,
首次提出“深度信念网络”的概念。与传统训练方式不同, “深度信念网络”
含有“预训练”过程,可使神经网络中的权值找到接近最优解的值,之后再使用
“微调”技术对整个网络进行优化训练。这两种技术的运用大幅减少了训练多层
神经网络的时间。Geoffrey Hinton 教授给多层神经网络相关的学习方法赋予了
一个新名词,即深度学习。
虽然深度学习在医学领域的应用很有前途,但依然面临一些质疑,如这种技
术在医学的应用究竟能占多大比例? 某些医学领域是否真的有必要引入深度学
习从而代替医生的判断? 目前,这些问题仍无答案,但有一点可以确定,那就是
已经有很多著名企业和新兴的创业公司正在用深度学习探索医疗实践,比如皮肤
病学、病理学、肿瘤学、医学影像学等。
现阶段,人工智能在医学领域的探索可谓五花八门,但最终应用到临床却微
乎其微。主要原因之一是人工智能系统在复杂的临床应用中,不能准确收集到高
质量可应用的数据,即有效数据,所得出的结论缺乏可靠性,难以保持测试数据
集上的高准确率; 其次是临床医学数据的收集和预处理不够完善,未将医生的工
作流程纳入考虑范围。医生对于疾病的诊断,很重要的一点是依靠科学的思维和
临床经验。医生的思维模式难以复制,而医生基于临床诊断作出的处理决定,是
融合了科学基础和人文关怀的综合考量。
评论0
最新资源