PPT人工智能技术在医学领域的应用与
2018-5-5 来源：不详 浏览次数：次热门下载（点击标题即可阅读）
?中国数据分析师行业峰会精彩PPT下载（共计21个文件）
转自数据派THU（ID：DatapiTHU）
［导读］年6月20日，零氪科技首席架构师王晓哲，在清华大学“天池医疗AI大赛”第一季肺部结节智能诊断《医学影像在肿瘤诊疗中的应用及智能诊断探索》发表演讲，演讲主题为《辅助医者普惠患者：人工智能技术在医学领域的应用与前景》。以下为王晓哲的演讲记录。
点击文末阅读原文下载PPT
演讲从全局整体背景上介绍了人工智能技术与临床医学结合以后已经取得的成果，未来的发展前景和美好展望以及实际中碰到的一些核心挑战。
一、人工智能、机器学习、深度学习概念
什么是“人工智能”、“机器学习”、“深度学习”？这三个概念现在的媒体经常会混为一谈，使大家一头雾水。如果我们回到历史里追溯“人工智能”整体发展轨迹，就会很清晰的得到这三个术语的原本概念。
1.人工智能概念
从40年代末到50年代初，由于计算机的发明和逐步使用，人们想象，如果有了强大的运算能力，是否可以产生一种智能的程序，从而逐渐替代一部分人的工作。这个想法掀起了“人工智能”的热潮。
那时候，计算机的计算算力虽然比传统人工有了很大提升，但依然很有限。在当时阶段，实际上更多的是“人工”智能，最好的产品叫做“专家系统”。它是由大量的专家手动编制一系列规则，形成知识库，然后由符号推理形式，阐述最后结果。这是符号学派的路径。
这条路后来很快也难以为继。由于机器是单纯的接受方，不能主动做改变自己逻辑的事情，所有的事情必须由人类专家一条一条的以规则化的方式去做，非常僵硬。而它背后的基础，谓词逻辑又是一个非常刚性的框架，因此导致能表述的现实世界问题非常有限，更多的是一些玩具应用。符号学派的热潮很快消退，到70年代几乎无人提及。
2.机器学习的概念
符号学派的失败引出了新的想法，人们思考从另外一条路径来做。从统计角度，可以把所有的现实问题都转换成概率问题。因此，去寻找现实世界问题的解决方案就等价于寻找一个概率分布。基于这样的思路，于是有了初步的“机器学习”概念阐述。因此，80年代“机器学习”术语开始出现。
当时更多的是从传统的统计方法开始实践，应用最多的是朴素贝叶斯方法。其典型的应用就是垃圾邮件过滤，这是到目前为止仍最为简单有效的一种过滤方式。于是终于产出了能够实用化的一些产品。
但是，我们发现单纯从统计方法出发，可能会产生另外一些问题，因为统计模型一般都是基于具体问题设计的参数化模型，我们仍然需要去手工建模，而这些建模工作就是一个非常耗费精力的过程。
3.深度学习的概念
从年起，神经网络的一个分支、即深层神经网络这一类模型，终于有人找到了能很好地训练它的方法，实现自动去做特征抽取、表达抽取的工作。从此，“深度学习”这个概念就开始火了。所谓“深度学习”仅仅是特指深层神经网络的一个应用。
二、机器学习的典型问题范畴
机器学习分为有监督学习、无监督学习和表征学习。
1.有监督学习
概念：样本集里面的问题，需要通过人或者其他的方式给出一个标准的答案，模型所做的事情就是以后碰到相似原始数据的时候，能够尽量的贴近标准答案，越接近标准答案，模型评估效果越好。
分类：分类最终的目标变量是A、B、C这样的离散集合里具体一类。我们做肺部结节检测，发现结节后，它到底是良性还是恶性？这是一个典型的二分类问题。
回归：是指最后这个目标变量是一个连续变量。最简单的回归方法是线性回归，表达力很有限。
案例：比如临床上要分析血液里面的载脂蛋白和低密脂胆固醇这两个指标之间的关联性，那么就会套用一个回归模型来建立这样一个关系。
2.无监督学习
概念：指标准答案不存在或者不易定义，我们希望通过一些更为高层、抽象的规则刻划，让机器自动去发掘原有数据中间的一些特别特征或结构。
聚类：是把原始的数据、样本，按照某种特征分离成若干相似群体。根据基因测序结果或者根据生物芯片对于突变的分析结果，在分子分型和临床表现角度，把患者按相似性进行划分，分成一个个小的类别。这些不同的类别，分子分型和临床表现上有很强的相似性，可以对这一类患者采取相似疗法，以期获得相似效果。
降维：是对于很复杂、很高维度、需要很多特征来表达的数据空间，寻找其内在的冗余性，然后把冗余的部分去除，变成一个比较低维度、好处理的形式。
案例：癫痫患者往往需要做脑电波监控。脑电信号在头部采集，头部会贴两三百个电极，每个电极收集的信号都是完全独立的，都是一个时序特征。所有信号全部采集在一起分析，未必能很好地预测癫痫患者的发病时间或症状强弱的特性。因此需要寻找所有这些电极中的冗余点在哪，是不是电极信号需要组合一下或者筛选出某些主导电极，更好地刻划关联性，更好地预测癫痫患者的发病情况？这是一个降维问题，要将原有两三百个电极采集信号，转换成只有十几维的时序信号，这些信号与目标结果由最强关联性的信号来做最后的模型。
3.表征学习
概念：表征是指问题可以用不同形式来表述。有些表述形式很方便求解问题，而另一些表述形式不方便求解问题。
案例：分解质因数，如果用现有的数字体系，是一个非常难的问题，尤其是大数的分解。如果改变问题的表述方式，将数字的表示法更改，这个数字不再用固定底数幂加和的形式来表达，而是用一系列质数幂的乘积来表达，分解质因数就不是问题。因为原始表示法已经表达了最终要分解的形式。
表征学习有很多应用，在非医疗领域，如机器翻译、图像识别这些问题，都经常使用表征学习的方法，将图像、文本或者声音这些比较稀疏、高维度的信号，转换成一个稠密、低维度的向量。基于这个向量，我们可以更好地去刻划原有数据之间的相似性或内在结构，然后去更好地建模。
4.总结
深度学习整套模型方法从根本上改变了原始问题、原始数据领域的表达形式，把原有纷繁复杂的数据结构转换成一个更容易分类、更容易处理的数据形式，最后达到比较好的效果。
三、当前医疗领域深度学习应用热点方向
当前宣传的最火的就是深度学习。因为它的表征处理能力，可以很好的把很多现实问题转换成可以处理的形式。深度学习擅长处理的就是高维度、稀疏的信号。图像就是这些信号中一种有代表性的形式。医学影像处理应用很明显必然是一个热点方向。除了医学影像处理以外，临床里边还有很多其他问题域，比如时序信号处理、临床数据的信息提取等等，这些虽为很好的问题域，但都不及图像处理容易得到结果。
医学影像处理典型的四大类问题是：影像分类、目标检测、图像分割和影像检索等。都能对应到日常临床应用里的一些痛点的、比较浪费人力的问题。
四、前沿研究成果
以下分享临床问题领域把握比较到位、得到的结果也比较好的一些论文。因为都是针对医学影像数据，采取的建模方法都是类似的，基本上是基于CNN做各种模型变换，最后得到结果。
1.基于乳腺钼靶影像的病变检测
乳腺钼靶是常见的乳腺癌早期筛查方法，它的诊断难度其实不算大。如果有一个模型能够有效地检查钼靶影像中间异常密度区域，就可以很好地降低人工筛查的工作量。在这篇文章里，达到的结果接近人类专家的平均水平，这是一个非常了不起的结果。
2.脑部核磁共振影像中的白质高信号灶分割
