深度学习诊断医学影像：解码大脑和癌症问题

如果在十几年前提到通过人工智能（AI）计算机视觉解决医疗问题，很多人都认为是短时期内不能实现，但是随着卷积神经网络的出现和深度神经网络的完善，近些年来基于深度学习的人工智能计算机视觉飞速发展，斯坦福大学计算机系终身教授李飞飞曾表示如今人工智能的水平已经可以开始对医疗健康领域做出贡献。

深度学习解读医学影像

1986年误差反向传播（BP）算法被提出，然后1989年严乐春将其用到多层神经网络中，直到1998年严乐春提出LeNet-5模型，神经网络的雏形完成。2006年, Hinton用的"限制玻尔兹曼机" (RBM)来学习. 经过六万个MNIST 数据库的图像培训后, 对于一万个测试图像的识别错误率最低降到了只有 1.25%，2012年七月, Hinton 教授采用了一种新的称为"丢弃" (Dropout) 的算法. 避免了过度拟合，经过二十几年发展，人工智能（AI）深度学习的算法基本上区域成熟，2007年 Nvidia 推出 CUDA 的GPU 软件接口后才真正改善. 传统双核CPU快70倍，随后Nvidia GPU的不断更新迭代，在硬件上为深度学习提供了巨大的帮助。

摆脱了算法和硬件的制约，2012年十月十三日 ImageNet 的竞赛深度学习超过svm，这标志着人工智能（AI）计算机视觉领域的崛起，在之后的几年中，人工智能计算机视觉领域快速发展，同时越来越多的机构和企业将目光放在解决现实生活问题上，比如自动驾驶，人脸识别，医疗等领域。

长久以来，伴随着科技爆发，医学同样会有巨大的变革，这一次人工智能（AI）的兴起同样让医疗领域变革，通过人工智能可以解决很多医学上目前无法解决的问题，比如医疗效率和诊断准确率的提高。

拿放射科来说，放射科的工作由两部分完成。第一部分是患者在放射科拍摄影像片（X线片、CT、MRI等），这一过程是由放射科技师操作各类机器完成，包括参数设定、扫描、图像处理等，有点类似摄影师拍照，只不过操作的机器更巨大。第二部分是影像判读，诊断医生在医用竖屏显示器上调阅影像图片，逐幅观察图片（一般普通、常规情况，一名患者的图片在80幅-320幅之间，如果是本院多次就诊患者，还需要调阅既往影像图片，作出对比，图片量倍增），寻找发现问题；然后按照要求进行描述，哪些结构正常，哪些结构异常，如何异常；之后结合检查申请单上的临床症状（有时临床科室没有提供）作出“影像诊断”，通俗的说，就是考虑可能是什么疾病，或者倾向什么疾病。

我国人口基数大，每年都有无数的人走进放射科，目前放射科的医生增长速度远远没有赶上检测人数的增长速度，放射医生诊断1名患者的CT扫描图像需要10～20分钟，写诊断报告需要10分钟左右，对于影像识别机构来说，缺乏足够的医生来进行影像判读的工作。所以各大医院放射科和第三方医学影像中心的医生都会不间断的诊断医学影像，长时间的高压工作会使得放射科医生有漏诊或者误诊的潜在分享，因此通过什么样的科技手段提高放射科工作效率成为了很多医院的心病。

医生是一个需要经验行业，人工智能（AI）最大的特点就是学习快，基于深度学习的人工智能模型拥有随机参数的深度神经网络医学模型，然后把经过标注的数据对模型进行训练，出现误差后调整模型参数，再辅助以医学知识，通过大量的训练之后形成精准的医学辅助诊断模型，从而可以完成医学影像的判读。

成熟的深度学习诊断模型

如今的人工智能（AI）已经可以为医学解决具体的医学问题，并且已经取得了巨大的进展，比如斯坦福大学已经可以成功分辨皮肤癌，中国Airdoc识别糖尿病性视网膜病变能力已经和三甲眼科医生相当，美国的Arterys公司旗下的产品Arterys Cardio DL获得FDA批准，人工智能应用在医疗领域已经是个趋势。

糖尿病性视网膜病变诊断： 最近一年，人工智能（AI）在医疗领域捷报频频，在深度学习领域，国内的算法能力并不弱于西方国家，国内有很多国际领先的产品，比如Airdoc的糖尿病性视网膜病变诊断模型，Airdoc在眼科专家的帮助下，通过让人工智能算法学习远超人类医生一生接诊量的患者眼底照片，训练了一个检测糖尿病性视网膜病变的深度神经网络，经过多伦和人类医生的PK，该算法在有明显症状和无明显症状二分方面准确性与三甲医院资深眼科医生持平。同时，该算法在眼底照片国际标准5分类方面的准确性也不逊于专业眼科医生，目前国内有超过一个亿的糖尿病患者，等到该模型应用于临床，必定可以为广大糖尿病患者带来巨大的便利。

皮肤病检测：2017年伊始，人工智能（AI）在皮肤癌的诊断上也取得了巨大的成果，来自美国斯坦福大学的人工智能算法团队利用GoogleNet Inception v3 CNN架构创建了一个机器学习算法，这种算法能够像皮肤科医生一样检查出潜在的皮肤癌症状，并且在测试中表现不亚于21名皮肤科医生，如果这项应用能够利用在临床上可以起到巨大的作用，该团队研究人员在论文中表示：“早期检测是至关重要的，因为从最早阶段检测到黑色素瘤时，患者的五年存活率为99%，而在晚期检测到时，五年存活率将下降至14%。我们开发了一种计算方法，可以允许医疗从业人员和患者主动追踪皮肤病变和检测到癌症。”

深度学习解码脑扫描图像

纵观各种脑病，由于神经信息传导通道（脑路）——神经纤维的堵塞，造成神经各种信息的传导不畅，致使脑神经细胞功能缺失，是脑病的病变本质。

二十二年前，研究员们首次报道有自闭症谱系障碍（ASD）的青少年脑容量比同龄人更大。在这之后，对越来越小儿童的研究表明，这一脑容量增加在童年时期就已出现。但是长久以来一直没有确定是否和未来诊断自闭症有关系，但是最近来自北卡莱罗纳教堂山分校的研究团队通过深度学习的算法对6个月大小的婴儿大脑中检测出与自闭症直接相关的脑增长变化。儿童通常会显示出自闭症谱系障碍（ASD） 的症状，例如在 2 岁之后很难有眼神交流。研究员们认为潜藏在 ASD 症状之下的脑部变化在症状出现很久之前已经存在了——甚至很可能在母亲子宫里就已开始。

Hazlett 和 Piven 的团队之后利用一个深度学习神经网络，一种机器学习的形式，在一个更大的高危儿群体当中来研究 6 个月和 12 个月的高危儿核磁共振扫描图像是否能够预测婴儿在 2 岁时的自闭症诊断。这一算法在 37 项自闭症诊断中正确预测出了 30 项（81%），在 142 个婴儿当中产生 4 个假阳性的结果，这些婴儿在之后也没有诊断出患自闭症。

Piven 说：根据目前我们在高家族性风险的婴儿当中得出的这一结果，我们可以预测出 80% 我们认为会患自闭症的人，在那个年龄基于行为的预测结果不会超过 50%。

深度学习早期诊断癌症

人工智能（AI）应用在医学上已经成为了一个重要的课题，北京大学已经和哈佛大学在学术论坛小木虫上联合博士后招聘（医疗图像中的机器学习与深度学习研究方向），中科院、清华、港中文等学术研究机构同样在医疗健康领域展开了研究。

目前我国的癌症生存率依然远远落后于美国，一个很大的原因是未在早期诊断出癌症，癌症早期症状不明显，我国很多居民并没有定期健康体检的习惯，因此有明显癌症症状的时候，已经到了晚期，此外对于早期癌症的诊断同样不容易，一张几百万像素的医学影像图片，癌症的大小可能只有十几像素，如果放射科医生和第三方影像诊断中心的医生稍微有放松，就可能会漏掉。

深度学习的计算机图形芯片制造商英伟达去年宣布，与美国国家癌症研究所和美国能源部合作，开发一套人工智能（AI）计算机框架，用于辅助癌症研究。该框架名为“癌症分布式学习环境计划”。

在强大的硬件和算法模型支持下，深度学习可以在早期精确的诊断早期癌症，比如去年贝斯以色列女执事医学中心（ BIDMC ）与哈佛医学院合作研发了一套人工智能（AI）系统，它可以用于乳腺癌的诊断。BIDMC 的 Andrew Beck 称他们通过400的病理片子训练了一个乳腺癌诊断模型，可以去识别片子中哪些部分有癌细胞，哪些部分是健康区域。其论文公布通过深度学习的方法乳腺癌诊断准确率能达到92%。