隨著機器學習的進展，其應用包括更快，更準確的醫療診斷。 SHUTTERSTOCK
當Google DeepMind的AlphaGo在2016中震驚地擊敗傳奇的Go玩家Lee Sedol時，人工智能（AI），機器學習和深度學習等術語被推向技術主流。
BBC Newsnight：AlphaGo和人工智能的未來。
{的YouTube] 53YLZBSS0cc {/ YouTube的}
AI通常被定義為計算機或機器展示或模擬智能行為的能力，例如 特斯拉的自動駕駛汽車 和 Apple的數字助理Siri。 這是一個蓬勃發展的領域，是許多研究和投資的焦點。 機器學習是AI系統從原始數據中提取信息並學習從新數據進行預測的能力。
深度學習將人工智能與機器學習相結合。 它涉及受大腦結構和功能啟發的算法，稱為人工神經網絡。 深度學習最近在消費者世界和整個醫學界都受到了很多關注。
隨著Alex Alex的成功，深度學習的興趣激增，AlexNet是由Alex Krizhevsky設計的神經網絡贏得了 2012 ImageNet大規模視覺識別挑戰，年度形象分類比賽。
另一個相對較新的進步是使用圖形處理單元（GPU）來為深度學習算法提供動力。 GPU在深度學習應用程序所需的計算（乘法和加法）方面表現優異，從而縮短了應用程序處理時間。
在我們薩斯喀徹溫大學的實驗室中，我們正在進行與醫療保健應用相關的有趣的深度學習研究 - 作為電氣和計算機工程教授，我領導研究團隊。 在醫療保健方面，使用人工智能或機器學習進行診斷是新的，並且取得了令人興奮和有希望的進展。
提取眼睛中的血管
檢測異常視網膜血管可用於診斷糖尿病和心髒病。 為了提供可靠和有意義的醫學解釋，必須從視網膜圖像中提取視網膜血管，以獲得可靠和有意義的解釋。 儘管手動分割是可能的，但這是一項複雜，耗時且繁瑣的任務，需要高級專業技能。
我的研究小組開發了一種系統，可以通過讀取原始視網膜圖像來分割視網膜血管。 它是一個 計算機輔助診斷系統，減少眼保健專家和眼科醫生所需的工作，並保持圖像10速度更快，同時保持高精度。
檢測肺癌
計算機斷層掃描（CT）廣泛用於肺癌診斷。 然而，由於CT掃描中良性（非癌性）和惡性（癌性）病變的視覺表示相似，因此CT掃描不能始終提供可靠的診斷。 即使對於具有多年經驗的胸部放射科醫師也是如此。 快速增長 CT掃描分析 迫切需要先進的計算工具來協助放射科醫師進行篩查。
為了提高放射科醫師的診斷性能，我們提出了深度學習解決方案。 根據我們的研究結果，我們的解決方案優於經驗豐富的放射科醫師。 此外，使用基於深度學習的解決方案可以提高整體診斷性能，而且經驗較少的放射科醫師可以從系統中獲益最多。
肺癌檢測軟件的屏幕截圖。 Seokbum Ko, 作者提供
局限和挑戰
雖然在放射學和醫學的各種任務中已經展示了深度學習算法的巨大希望，但這些系統還遠非完美。 獲得高質量的註釋數據集仍將是深度學習培訓的挑戰。 大多數計算機視覺研究都是基於自然圖像，但對於醫療保健應用，我們需要大量帶註釋的醫學圖像數據集。
從臨床角度來看，另一個挑戰是測試深度學習技術與人體放射科醫師相比的表現。
醫生和機器學習科學家之間需要更多的合作。 人體生理學的高度複雜性也將成為機器學習技術的挑戰。
另一個挑戰是驗證用於臨床實施的深度學習系統的要求，這可能需要多機構協作和大型數據集。 最後，需要一個高效的硬件平台來確保深度學習系統的快速處理。
在復雜的醫療保健領域，人工智能工具可以支持人類從業者提供更快速的服務和更準確的診斷，並分析數據以識別可能使某些人易患特定疾病的趨勢或遺傳信息。 節省分鍾意味著挽救生命，人工智能和機器學習可能對醫護人員和患者產生變革。
關於作者
Seokbum Ko，教授， 薩斯喀徹溫大學
相關書籍
at InnerSelf 市場和亞馬遜
