互联网医院热潮

2017-03-06handler473

近两年来,无论是在语音识别、图像识别还是文本理解,深度学习在医疗领域都有超乎想象的突破。

在语音识别领域,梅奥诊所与以色列语音分析公司Beyond Verbal合作的研究发现13个语音特征和冠心病存在相关性,其中一个语音特征与冠心病存在强相关。

在自然语言处理领域,IBM的沃森机器人能够在17秒内,阅读3469本医学专著,248000篇论文,69种治疗方案,61540次实验数据,106000份临床报告,并根据医生输入的病人指标信息,最终提出优选的个性化治疗方案。

与此同时,伴随着计算机视觉的技术进步,深度学习技术在医疗影像领域频频取得重大突破,人工智能除了教会机器如何“听懂”和“读懂”,更能教会机器“看懂”我们的世界,并在此基础上协助医生诊断疾病。医疗数据中有超过90%的数据来自医疗影像,医疗影像领域拥有孕育深度学习的海量数据,也存在着借助深度学习提高医生“看片子”诊断的效率的需求。因此,在医疗影像领域,深度学习可能率先进入临床阶段。

13万张图像的训练下,深度学习识别皮肤癌的准确率媲美人类医生

皮肤癌是人类最常见的恶性肿瘤,虽然它们出现在皮肤表面,但人们往往将其误认为是自然生长的“痣”,耽误病情,确诊后已为时过晚。奇点糕还记得,电影《非诚勿扰2》里面,孙红雷饰演的李香山从小就长出来的一颗黑痣转变成了恶性的黑色素瘤,最终不堪绝症折磨的他选择跳海自杀。

早期检测到的黑色素瘤的 5 年生存率在 97% 左右,如果晚期查出 5 年生存率将会下降 14%,皮肤癌的早期发现可能会对其结果产生巨大的影响。对于皮肤癌的筛查,主要是通过视觉诊断。一般先进行临床筛查,之后可能进行皮肤镜分析、活检和组织病理学研究。那么有没有一种更简单地方法筛查皮肤癌呢?或者说,能不能利用智能手机筛查皮肤癌?

借助深度卷积神经网络(CNN)技术,斯坦福大学的研究者让这个设想更进一步:研究者们在谷歌用于识别猫和狗算法的基础上,经过13万张皮肤病变的图像训练后,可用于识别皮肤癌。该系统与21位皮肤科医生进行的2轮的对比测试:角质细胞癌与良性脂溢性角化病,以及恶性黑色素瘤和普通的痣。第一轮代表最常见的癌症识别,第二轮代表了最致命的皮肤癌识别。深度卷积神经网络在这两个任务上的表现都达到了所有接受测试的专家的水平,证明了这一人工智能系统的皮肤癌鉴定水平与皮肤科医生相当。这一研究成果发表在2017年1月份的Nature期刊上。