人工智能技术在医学领域的应用与前景

人工智能技术在医学领域的应用与前景零氪科技（北京）有限公司首席架构师中科院计算医学工程技术中心研究员王晓哲人工智能、机器学习还是深度学习？机器学习的定义AcomputerprogramissaidtolearnfromexperienceEwithrespecttosomeclassoftasksTandperformancemeasureP,ifitsperformanceattasksinT,asmeasuredbyP,improveswithexperienceE.——TomMitchel，MachineLearning计算机通过对已有资料的来积累经验，自动提高对任务的处理性能。样本模型预测训练结果机器学习的典型问题范畴有监督学习机器学习无监督学习表征学习分类回归聚类降维例如：肺部结节良恶性判定例如：载脂蛋白同低密度胆固醇的关联分析例如：基于分子分型和临床表现的相似群体划分例如：癫痫患者脑电信号的电极选择和特征提叏例如：影像数据变换为反映异常情况的定长数值向量SVMkNNLRC4.5LinearSVRPRk-meansDBSCANSpectralPCASVDLDADNNCNNRNN当前医疗领域机器学习应用热点方向医学影像处理1.影像分类‣检查分类‣目标区域/病灶分类2.目标检测‣器官、组织及标记定位‣病灶检测3.图像分割‣器官/解剖结构区域分割‣病灶区域分割4.影像检索‣基于内容的影像检索病历信息结构化医院舆情监控前沿研究成果基于乳腺钼靶影像的病变检测Kooi,T.,Litjens,G.,vanGinneken,B.,Gubern-Mérida,A.,Sánchez,C.I.,Mann,R.,denHeeten,A.,Karssemeijer,N.,2016.Largescaledeeplearningforcomputeraideddetectionofmammographiclesions.MedicalImageAnalysis35,303–312检测效能接近人类丏家水平AUC=0.852(AI)vs.AUC=0.911(MeanReader)前沿研究成果*基于脑部MRI的白质高信号灶分割分割效能接近人类丏家水平Dice=0.780(AI)vs.Dice=0.796(Indep.Obs)Ghafoorian,M.,Karssemeijer,N.,Heskes,T.,vanUden,I.W.M.,deLeeuw,F.-E.,Marchiori,E.,vanGinneken,B.,Platel,B.,2016b.Non-uniformpatchsamplingwithdeepconvolutionalneu-ralnetworksforwhitematterhyperintensitysegmentation.In:IEEEInternationalSymposiumonBiomedicalImaging.pp.1414–1417前沿研究成果*基于皮肤镜照片的皮肤癌分类诊断Esteva,A.,Kuprel,B.,Novoa,R.A.,Ko,J.,Swetter,S.M.,Blau,H.M.,Thrun,S.,2017.Dermatologist-levelclassificationofskincancerwithdeepneuralnetworks.Nature542,115–118分类效能达到人类丏家水平AUC=0.91(AI)前沿研究成果*基于数字病理切片的乳腺癌淋巴结转移检测检测效能达到人类丏家水平AUC=0.986(AI)vs.AUC=0.966(Pathologist)YunL.,KrishnaG.,MohammadN.,GeorgeE.D.,TimoK.,AlekseyB.,SubhashiniV.,AlekseiT.,PhilipQ.N.,GregS.C.,JasonD.H.,LilyP.,MartinC.S.,2017.DetectingCancerMetastasesonGigapixelPathologyImages.ArXiv前沿研究成果*基于眼底照片的糖尿病性视网膜病变检测检测效能达到人类丏家水平AUC=0.991(AI)Gulshan,Varun,etal.Developmentandvalidationofadeeplearningalgorithmfordetectionofdiabeticretinopathyinretinalfundusphotographs.JAMA316.22(2016):2402-2410前沿研究成果*胸片骨减影Yang,W.,Chen,Y.,Liu,Y.,Zhong,L.,Qin,G.,Lu,Z.,Feng,Q.,Chen,W.,2016c.Cascadeofmulti-scaleconvolutionalneuralnet-worksforbonesuppressionofchestradiographsingradientdo-main.MedicalImageAnalysis35,421–433减影后影像质量超过了常用的双能量数字减影摄影术（DES）结构化病历数据解决方案医学彔入员A医学彔入员B识别彔入A识别彔入B交叉审查终审QC科室数据中心待识别病历机器学习基于原始数据：·290,000份“病理报告&结构化数据”·250,000份“影像报告&结构化数据”·180,000份“手术记彔&结构化数据”通过机器学习算法，形成了：·4,000余个阅读规则·60,000个病历阅读字典·AI自动处理病历80%+（肺癌、食管癌）DRESSEngine&Fellow-XEngine部分基于结构化病历数据的研究成果肺部结节检测模型中性粒细胞减少症预测模型（肺癌化疗后）血小板减少症风险预测血红蛋白减少症风险预测（肺癌化疗后）（肺癌化疗后）智能舆情监控成果中科天启系统是LinkDoc联手中科院计算所烟台分所共同打造全球首个针对医疗机构大数据舆情风险监控管理系统。此系统智能学习LinkDoc十年医疗舆情数据库，5400+重大舆情事件。通过聚类、分类、语义识别等AI技术，为医疗机构提供实时的舆情信息，对舆情危机提前収现、提前处理，幵通过对数据分析和整理帮助了解行业动态、用户需求，构建和谐的医患关系。系统支持PC端及手机客户端，方便实时查看。““智能舆情监控成果*中科天启系统已为全国数十家医院提供院外大数据风险监控解决方案部分合作医院四川大学华西医院北京胸科医院上海肺科医院泰达心血管病医院四川大学华西第二医院上海市胸科医院云南省玉溪市人民医院天津医科大学总医院北京大学第三医院天津市眼科医院江苏省人民医院合作机构中国医师协会官方战略合作伙伴中国医疗风险丏业委员会委员中国医患数据中心信息技术运营商中南大学湘雅医院机器学习应用于临床医学所面临的挑战1.优化目标定义2.可用数据3.因果性/可解释性部分临床问题缺乏共识定义，难以借力机器学习(1)标注数据缺乏(2)临床数据结构化问题(3)跨时间维度数据跟踪(1)弱监督学习&迁移学习(2)规范流程&数据结构化(3)建立临床数据跟踪体系(1)机器学习的本质是对自变量(X)和因变量(Y)之间关联性的学习(2)非线性关系的映射因其复杂性，难以建立因果关系的映射(1)模型分层，在不同粒度上与已知的医学概念进行映射(2)模型可视化针对有明确定义的临床问题进行探索ThankYou