随着机器学习的进展，其应用包括更快，更准确的医疗诊断。 存在Shutterstock
当Google DeepMind的AlphaGo在2016中震惊地击败传奇的Go玩家Lee Sedol时，人工智能（AI），机器学习和深度学习等术语被推向技术主流。
BBC Newsnight：AlphaGo和人工智能的未来。
{的YouTube] 53YLZBSS0cc {/ YouTube的}
AI通常被定义为计算机或机器展示或模拟智能行为的能力，例如 特斯拉的自动驾驶汽车 和 Apple的数字助理Siri。 这是一个蓬勃发展的领域，是许多研究和投资的焦点。 机器学习是AI系统从原始数据中提取信息并学习从新数据进行预测的能力。
深度学习将人工智能与机器学习相结合。 它涉及受大脑结构和功能启发的算法，称为人工神经网络。 深度学习最近在消费者世界和整个医学界都受到了很多关注。
随着Alex Alex的成功，深度学习的兴趣激增，AlexNet是由Alex Krizhevsky设计的神经网络赢得了 2012 ImageNet大规模视觉识别挑战，年度形象分类比赛。
另一个相对较新的进步是使用图形处理单元（GPU）来为深度学习算法提供动力。 GPU在深度学习应用程序所需的计算（乘法和加法）方面表现优异，从而缩短了应用程序处理时间。
在我们萨斯喀彻温大学的实验室中，我们正在进行与医疗保健应用相关的有趣的深度学习研究 - 作为电气和计算机工程教授，我领导研究团队。 在医疗保健方面，使用人工智能或机器学习进行诊断是新的，并且取得了令人兴奋和有希望的进展。
提取眼睛中的血管
检测异常视网膜血管可用于诊断糖尿病和心脏病。 为了提供可靠和有意义的医学解释，必须从视网膜图像中提取视网膜血管，以获得可靠和有意义的解释。 尽管手动分割是可能的，但这是一项复杂，耗时且繁琐的任务，需要高级专业技能。
我的研究小组开发了一种系统，可以通过读取原始视网膜图像来分割视网膜血管。 它是一个 计算机辅助诊断系统，减少眼保健专家和眼科医生所需的工作，并保持图像10速度更快，同时保持高精度。
检测肺癌
计算机断层扫描（CT）广泛用于肺癌诊断。 然而，由于CT扫描中良性（非癌性）和恶性（癌性）病变的视觉表示相似，因此CT扫描不能始终提供可靠的诊断。 即使对于具有多年经验的胸部放射科医师也是如此。 快速增长 CT扫描分析 迫切需要先进的计算工具来协助放射科医师进行筛查。
为了提高放射科医师的诊断性能，我们提出了深度学习解决方案。 根据我们的研究结果，我们的解决方案优于经验丰富的放射科医师。 此外，使用基于深度学习的解决方案可以提高整体诊断性能，而且经验较少的放射科医师可以从系统中获益最多。
肺癌检测软件的屏幕截图。 Seokbum Ko, 作者提供
局限和挑战
虽然在放射学和医学的各种任务中已经展示了深度学习算法的巨大希望，但这些系统还远非完美。 获得高质量的注释数据集仍将是深度学习培训的挑战。 大多数计算机视觉研究都是基于自然图像，但对于医疗保健应用，我们需要大量带注释的医学图像数据集。
从临床角度来看，另一个挑战是测试深度学习技术与人体放射科医师相比的表现。
医生和机器学习科学家之间需要更多的合作。 人体生理学的高度复杂性也将成为机器学习技术的挑战。
另一个挑战是验证用于临床实施的深度学习系统的要求，这可能需要多机构协作和大型数据集。 最后，需要一个高效的硬件平台来确保深度学习系统的快速处理。
在复杂的医疗保健领域，人工智能工具可以支持人类从业者提供更快速的服务和更准确的诊断，并分析数据以识别可能使某些人易患特定疾病的趋势或遗传信息。 节省分钟意味着挽救生命，人工智能和机器学习可能对医护人员和患者产生变革。
关于作者
Seokbum Ko，教授， 萨斯喀彻温大学
相关书籍
at InnerSelf 市场和亚马逊
