基于深度学习的人工智能技术在腮腺肿瘤诊治的实践及思考

基于深度学习的人工智能技术已被广泛应用于计算机视觉领域,在医学图像处理方面,基于卷积的深度学习神经网络具备较好的智能学习和目标区域关键信息分析处理能力,在各类医学影像的图像分割实践中表现出近似于甚至高于专业人员的智能水平。腮腺是唾液腺肿瘤好发的腺体,腮腺肿瘤是口腔颌面外科的常见病和多发病,对腮腺肿瘤的精准诊疗仍存在临床挑战。本研究围绕深度学习技术在腮腺肿瘤智能诊疗的应用和前景作一述评,希冀推动口腔智慧医疗的进一步深化及发展。     

基于多维度特征融合的深度学习骨龄评估模型

目的 通过基于特征提取的深度卷积神经网络,结合关键区域特征和人口学信息,评估儿童骨龄。方法 自动识别左手X线图像数据,对图像进行预处理,使用基于深度神经网络的X线图像分析方法,实现左手关节骨龄17个关键区域特征的自动提取,再将骨龄影像特征与临床大数据（人口统计、性别）融合训练骨龄评估模型,测试模型的评估效能。结果 使用基于深度学习的特征区域提取方法比传统图像分析方法可以更好地提取特征信息,结合临床信息从另一维度补充了骨龄发育信息。基于多维度数据特征融合的骨龄评估模型检测得到的骨龄平均绝对误差为0.455,优于传统方法和仅端到端的深度学习方法。结论 相较传统的机器学习特征提取方法,基于特征提取的深度卷积神经网络在骨龄回归模型上有更好的表现,结合人口和性别信息可进一步提升基于图像的骨龄预测准确率。     

深度学习技术在疾病诊断中的应用

深度学习技术的迅猛发展为辅助医师进行高精度的疾病诊断提供了新的方法和思路。本文综述了医学疾病诊断领域常用的深度学习模型,即卷积神经网络、深度信念网络、受限玻尔兹曼机和循环神经网络模型的原理及特点;然后从肺癌、乳腺癌、糖尿病视网膜病变等几种典型的疾病出发,介绍了深度学习技术在疾病诊断领域的应用;最后基于目前深度学习技术在疾病诊断中的局限性提出了未来发展方向。     

Generative Adversarial Network for Medical Images (MI-GAN)

Deep learning algorithms produces state-of-the-art results for different machine learning and computer vision tasks. To perform well on a given task, these algorithms require large dataset for training. However, deep learning algorithms lack generalization and suffer from over-fitting whenever trained on small dataset, especially when one is dealing with medical images. For supervised image analysis in medical imaging, having image data along with their corresponding annotated ground-truths is costly as well as time consuming since annotations of the data is done by medical experts manually. In this paper, we propose a new Generative Adversarial Network for Medical Imaging (MI-GAN). The MI-GAN generates synthetic medical images and their segmented masks, which can then be used for the application of supervised analysis of medical images. Particularly, we present MI-GAN for synthesis of retinal images. The proposed method generates precise segmented images better than the existing techniques. The proposed model achieves a dice coefficient of 0.837 on STARE dataset and 0.832 on DRIVE dataset which is state-of-the-art performance on both the datasets.     

Medical Image Retrieval with Compact Binary Codes Generated in Frequency Domain Using Highly Reactive Convolutional Features

Efficient retrieval of relevant medical cases using semantically similar medical images from large scale repositories can assist medical experts in timely decision making and diagnosis. However, the ever-increasing volume of images hinder performance of image retrieval systems. Recently, features from deep convolutional neural networks (CNN) have yielded state-of-the-art performance in image retrieval. Further, locality sensitive hashing based approaches have become popular for their ability to allow efficient retrieval in large scale datasets. In this paper, we present a highly efficient method to compress selective convolutional features into sequence of bits using Fast Fourier Transform (FFT). Firstly, highly reactive convolutional feature maps from a pre-trained CNN are identified for medical images based on their neuronal responses using optimal subset selection algorithm. Then, layer-wise global mean activations of the selected feature maps are transformed into compact binary codes using binarization of its Fourier spectrum. The acquired hash codes are highly discriminative and can be obtained efficiently from the original feature vectors without any training. The proposed framework has been evaluated on two large datasets of radiology and endoscopy images. Experimental evaluations reveal that the proposed method significantly outperforms other features extraction and hashing schemes in both effectiveness and efficiency.     

深度学习方法应用于中医药领域的优劣势及展望

深度学习是人工智能在机器学习领域的一大分支,其应用过程不需要做大量特定领域知识的特征提取便可以得到传统方式难以提取到的数据特征,完成复杂的数据分析,相对于传统机器学习更为高效准确。当前深度学习在中医学领域已有初步发展,在辅助中医诊断、构建中医诊断模型、医案数据处理等方面具备显著成果。本文基于深度学习在语音识别、数据图像处理及自然语言理解方面的优势,结合其在中医药研究中的应用现状,对深度学习的发展前景和当下存在问题进行思考讨论,认为在今后深度学习和中医药融合发展的过程中,应注意算法模型的性能水平及数据样本的数量和质量,为深度学习的发展提供规范的中医专业数据库是当前亟需解决的问题。     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

食管癌淋巴结转移的智能影像研究进展述评及展望

食管癌是癌症相关死亡的第六大原因,也是全球第七大常见癌症,食管癌切除术是局部进展期食管癌根治性治疗的基础,术前准确判断淋巴结状态对患者手术方式的制定,术后生存质量和生存时间的预测至关重要。但目前传统的影像学检查手段对转移性淋巴结的漏诊率及误诊率较高。随着人工智能技术和数字化影像的发展,基于人工智能的医学影像图像分析方法为食管癌淋巴结转移的诊断研究带来了新思路。目前研究应用最多的主要包括纹理分析、影像组学和深度学习,这些技术从医学影像中提取定量特征来描述肿瘤特征和异质性等生物学信息,进而指导临床实践。因此,本文主要对基于纹理分析、影像组学及深度学习三种人工智能技术对食管癌淋巴结转移的影像研究进展做一述评,并对将来可能的重点研究方向进行展望,以期提高我国食管癌淋巴结转移的诊断水平     

影像组学在乳腺癌分子分型及肿瘤微环境研究中的应用

摘　要：乳腺癌发病率居全球女性恶性肿瘤之首。随着科技进步,乳腺疾病诊断技术也从传统阅片诊断向人工智能 辅助诊断的方向发展,包括影像组学、机器学习和深度学习等技术。影像组学是一种综合利用多模态医学影像数据的定 量分析方法,旨在提取和分析影像中的大量特征,并将其与临床、病理、分子等数据关联,以实现个体化的疾病诊断、预测 和治疗策略的制定。该文旨在综述影像组学在乳腺癌研究中的进展,特别关注分子分型的识别和肿瘤微环境的探索。     

机器学习在心血管疾病辅助诊断模型中的效果

我国心血管病死亡率居城乡居民总死亡率的首位,且心血管疾病的发病率仍持续增高。近十年来我国切实推进心血管健康事业建设,国家号召将心血管疾病的主战场由医院转向社区,因此迫切需要提升基层医疗服务质量来满足人民群众日益增长的健康需求。数字化信息时代的来临,使得机器学习广泛应用于图像辨别、语音识别和自然语言处理,人工智能在电商、家居、物流、交通等方面普遍运用,但对医疗保健的影响才刚刚开始。随着医疗数据可用性的提高和大数据分析方法的快速发展,人工智能在医疗领域的成功应用成为可能。在相关临床问题的指导下,强大的人工智能技术可以提取海量数据中隐藏的临床信息,进而辅助医生进行临床决策。近年来随着国家、社会对基层医疗的重视及互联网信息技术的发展,机器学习技术运用于心血管疾病的诊断和预测已成为热门。机器学习正在逐渐改变医生诊断疾病和临床决策的方式,但每个心血管疾病的诊断和决策都需要在疾病和统计学方面进行一定程度的分析,选择最优的机器学习算法才能更好地解决临床问题。本文通过比较近5年来有关心血管疾病辅助诊断模型的曲线下面积、敏感性、特异性、准确性、F1值、C统计值等多个量化指标来评估不同疾病分类下机器学习的优...     

基于深度学习的白内障识别与分级

目的 利用深度学习方法自动提取眼底白内障特征,构建白内障自动分类器,并可视化分析深度网络中间层特征的逐层变换过程。方法 基于临床眼底图像,使用深度卷积神经网络（CNN）从输入数据的原始表示直接学习有用的特征,对比分析CNN自动提取的特征与预定义特征的性能表现。然后利用反卷积神经网络（DN）量化分析CNN各个中间层的特征,进一步研究输入图像中对CNN的预测贡献最大的像素集,探究CNN表征白内障的具体过程。结果 使用深度学习方法构建的分类器在四分类任务中达到0.818 6的平均准确率。与现有的预定义特征集相比,利用深度CNN自动提取的特征集能提供更好的白内障特征表示。CNN中间层特征呈现从低级抽象到高级抽象的分层变换,如梯度变化到边缘,然后到边缘状发散结构的组合,最后到血管和视神经盘信息的高级抽象,这种变换过程与临床检测白内障的诊断标准相吻合。结论 基于深度学习的分类器在性能表现上优于现有分类器。该方法对检测其他眼病也可能具有潜在的应用前景。     

基于眼底图像视网膜血管分割、分类方法的中医目诊研究

中医目诊是通过观察眼部的神、色、形、态来诊断全身疾病的一种方法。对眼底血管的观察是目诊的主要内容。视网膜血管结构的变化与许多慢性疾病密切相关。图像处理技术在眼底图像研究的应用可以为系统性疾病提供早期诊断。眼底图像血管分割是眼底血管研究的基础,目前大体可分为基于匹配滤波、血管跟踪、形态学处理、形变模型以及机器学习的分割算法5类。眼底血管分类,如动静脉分类,为临床诊断提供重要价值。在此类研究的基础上,提出了眼底血管分割、分类方法在中医目诊中的实际应用方法。     

基于多尺度小波残差网络的稀疏角度CT图像恢复

目的 稀疏角度CT具有加速数据采集和减少辐射剂量的优点。然而,由于采集信息的减少,使用传统滤波反投影算法（FBP）进行重建得到的图像中伴有严重的条形伪影和噪声。针对这一问题,本文提出基于多尺度小波残差网络（MWResNet）对稀疏角度CT图像进行恢复。方法 本网络中将小波网络与残差块相结合,用以增强网络对图像特征的提取能力和加快网络训练效率。实验中使用真实的螺旋几何CT图像数据“Low-dose CT Grand Challenge”数据集训练网络。通过观察图像表征和计算定量参数的方法对结果进行评估,并与其他现有网络进行比较,包括图像恢复迭代残差卷积网络（IRLNet）,残差编码解码卷积神经网络（REDCNN）和FBP卷积神经网络（FBPConvNet）。结果 实验结果表明,本文提出的多尺度小波残差网络优于其余对比方法。结论 本文提出的MWResNet网络能够在保持稀疏角度CT图像边缘细节信息的同时有效抑制噪声和伪影。     

深度学习在医学影像中的应用:希望还是陷阱?

医学影像技术在疾病的检测、诊断和治疗中起着重要作用。由于人类专家经验的不稳定性,机器学习技术有望辅助研究人员和医师以提高影像诊疗的准确性和减少医疗资源的不均衡性。本文系统概述了深度学习技术的一些方法,介绍了医学影像学中的深度学习技术的应用研究,同时讨论了深度学习技术在医学影像中的局限性。     

Discovering Mammography-based Machine Learning Classifiers for Breast Cancer Diagnosis

This work explores the design of mammography-based machine learning classifiers (MLC) and proposes a new method to build MLC for breast cancer diagnosis. We massively evaluated MLC configurations to classify features vectors extracted from segmented regions (pathological lesion or normal tissue) on craniocaudal (CC) and/or mediolateral oblique (MLO) mammography image views, providing BI-RADS diagnosis. Previously, appropriate combinations of image processing and normalization techniques were applied to reduce image artifacts and increase mammograms details. The method can be used under different data acquisition circumstances and exploits computer clusters to select well performing MLC configurations. We evaluated 286 cases extracted from the repository owned by HSJ-FMUP, where specialized radiologists segmented regions on CC and/or MLO images (biopsies provided the golden standard). Around 20,000 MLC configurations were evaluated, obtaining classifiers achieving an area under the ROC curve of 0.996 when combining features vectors extracted from CC and MLO views of the same case.     

机器学习在临床药物治疗中的研究进展

随着真实世界研究、精准治疗等概念的提出和发展,科研工作者对医疗大数据处理的需求不断增大。机器学习技术因在处理海量、高维数据及开展预测研究等方面具有独特优势,故而近些年在医学领域的应用不断深入。除应用于疾病诊断、影像识别和风险预测外,越来越多的研究证明机器学习可被应用于临床药物治疗的决策支持相关研究中。本文就机器学习在临床药物治疗中的研究进展予以综述。     

人工智能领域基底细胞癌的诊治研究进展

基底细胞癌（BCC）是最常见的皮肤肿瘤之一,临床医师可以根据发病部位、皮损外观特点做出初步诊断,还可以通过皮肤镜等无创检查手段进行图像分析与拟诊,最终依据组织病理结合临床信息确诊。近年随着人工智能（AI）技术的发展,利用机器视觉对图像进行自动识别与分析成为可能。计算机辅助诊断系统通过深度学习大量临床、皮肤镜、组织病理图片资源建立人工神经网络,辅助专业医师对疑难病症做出分析判断,有助于提高皮肤肿瘤的早期诊断水平、增强基层医师诊治能力、减轻病理专科医师工作负担。本文现就国内外AI领域对BCC的诊治研究进展作一综述。     

基于耦合的卷积-图卷积神经网络的阿尔茨海默病的磁共振诊断方法

目的 针对已有方法未利用大脑拓扑信息的问题,提出基于耦合的卷积-图卷积神经网络的疾病诊断模型,以实现对阿尔茨海默病及其前驱症状的精确诊断,为临床提供可靠的辅助诊断信息。方法 根据ADNI数据库提供的信息,将MMSE评分在20~26分、同时CDR评分为0.5或1的被试的疾病标签标记为AD组;将MMSE评分在24~30分且CDR评分为0、无抑郁症状、无认知障碍、无焦虑症状的被试疾病标签标记为NC组。本文提出一种耦合的卷积-图卷积神经网络（CCGCN）模型,以组间比较获取的疾病相关区域作为输入,利用卷积神经网络,从大脑磁共振图像的不同区域提取疾病相关的特征,再使用图卷积网络,结合提取到的特征,对区域间拓扑结构进行建模,并在图卷积网络中嵌入图池化操作,从而自适应地学习大脑拓扑结构与疾病诊断任务之间的内在联系。利用ADNI数据集,获得CCGCN模型对阿尔茨海默病及其前驱症状的疾病诊断准确率、灵敏度和特异度,并进行模型结构的消融实验。结果 该模型在阿尔茨海默病的诊断任务上取得了92.5%的准确率、88.1%的灵敏度和96.0%的特异度,诊断精度优于目前最先进的方法;同时在区分进行型轻度认知障碍患者和稳定型轻度认知障碍患者的任务上取得了79.8%的准确率、55.3%的灵敏度和83.7%的特异度;消融实验的结果显示了CCGCN模型各组成成分的有效性。结论 基于耦合的卷积-图卷积神经网络的疾病诊断模型利用了原始图像的结构和拓扑信息,相比现有方法可以提供更加精确的阿尔茨海默病诊断结果,有望将其应用于临床的辅助诊断中。     

人工智能技术在组织和细胞形态学评估中的应用

形态学评估和特殊染色评分系统是目前基础和临床科研的重要组成部分,对于判断药物疗效和基因干预效果非常重要。然而,目前的视觉评分系统主观性强、重复性差、准确率低,极易出现漏诊和误诊。基于深度学习的人工智能技术有望克服这一问题,利用卷积神经网络能准确提取与肿瘤患者疗效和预后相关的内部特征,如肿瘤-间质比、神经侵犯和淋巴细胞空间分布;图像化和数字化显示药物干预疾病进展的疗效,同时能对与临床治疗、分型和预后相关的分子标志物进行定量化和自动化评分。人工智能技术应用于组织和细胞形态学评估后,将会推动临床药物评价和基础科研评价的一致性、重复性和准确性,有望进一步推动医学科研的发展。