马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据
您需要 登录 才可以下载或查看,没有帐号?立即注册
x
深度学习,是机器学习中一种基于对数据表征进行学习的方法,一直以来都是医疗领域的热门研究对象:从基因组数据到电子病历数据,再到处理医学影像。 本周在芝加哥举行的北美放射学年会上,IBM下属的Watson和Merge医疗公司向人们展示了几种最新的基于机器学习和人工智能的医学影像分析技术。同时,他们还展示了Watson在学习和获得图像分析能力的最新进展。 一直以来,IBM致力于将Watson的超级计算能力运用在图像分析上——尤其是在2015年收购了Merge医疗之后,更是在同时开发多个自动化分析方法,分别针对X光、核磁共振等不同影像,希望能够建立起相互参照的分析系统,并作为其他传统检测结果的参照。 在大会上,IBM Watson展示了多种分析工具,包括: 同行审查软件,帮助协调病人的临床检测结果和电子病历上的数据不匹配问题; 数据总结软件,为需要解读医学图像的医生提供特定病人的临床信息; 决定辅助软件,让医生可以将影像数据与其他临床数据相结合; Brain Bleed软件,帮助医生对脑出血和中风进行诊断。
IBM Merge则带来了: Marktation,可以对图像进行解读,帮助医生提高解读精度和速度。最初用于乳腺癌X光片; 临床整合软件,一个帮助放射医生避免常见错误的辅助软件; 损伤分离及追踪软件,可以帮助放射医生更快地发现并追踪异常部位。
除此之外,IBM还同北美放射医学协会合作,希望能在包括文字和图像在内的医学数据上进一步推进自动分析技术,帮助提高解读准确度和速度。截至目前,IBM通过深度学习已经可以实现部分功能:识别并指认解剖学结构并找出异常部位,结合病人的病历来为诊断医生提供建议。 另一方面,Google的研究者们最近研发出一套深度学习算法,针对糖尿病视网膜病和黄斑水肿的诊断,在眼底影像数据上展现出很高的敏感性和特异性。该算法通过128000副影像图片完成训练,并在超过1万张的测试图片当中达到了大约95%的敏感性和特异性,已经可以与传统手动诊断方法相媲美。同时,通过在训练中改变需要关注的病理特性,这种方法还可以用于探测不同程度的病理变化,带来更为细致的诊断建议。 在医学数据日益庞大的今天,机器学习已经在诸多方面参与到医生的工作当中。而其擅长模式识别的特点将被充分利用到医学影像自动化分析当中,在不久之后,基于机器学习的影像分析辅助工具会对医生的工作效率大有帮助。
|