新智元原创

作者：张易

　　新智元启动 2017 最新一轮大招聘：COO、总编、主笔、运营总监、视觉总监等８大职位全面开放。

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。加盟新智元，与人工智能业界领袖携手改变世界。

　　简历投递：jobs@aiera.com.cn HR 微信：13552313024

　　【新智元导读】从传统 CAD 发展到今天深度学习驱动的智能医疗影像系统，新技术的兴起和应用为医疗领域带来了哪些变化？智能医疗影像系统离常规临床应用还有多远？特别是，身在这波澜壮阔的技术变革进程中的专家、放射科医生和创业者，他们有什么感受和感悟？深度学习在这一领域的应用还面对哪些技术上的挑战？希望这份来自医疗行业和创业者口述的第一手材料，能给您提供一些参考。

　　图像识别是深度学习等 AI 技术最先突破的领域，而在 AI 与医疗场景的结合中，目前看来，基于深度学习技术的医疗影像的识别与分析，也很可能会在整个智能医疗、精准医疗领域一枝独秀，率先进入大规模应用阶段。

　　传统 CAD 不受医生的欢迎

　　实际上，计算机辅助检测（computeraided detection，简称CAD）很早就进入了人们尤其是医疗工作者的视线。有意思的是，很早以前就已经尝试使用过CAD系统的放射科专家们，在这一波智能医疗影像新技术的推广中并不热心，因为在他们的印象中，过去的CAD 主要是靠专家手工编写判定规则，并不好用。

中华放射学会候任主任委员、北京协和医院放射科主任金征宇

　　“起码15年到20年前，CAD就开始了，为什么没有成功?……我们的计算机当时没有足够的强大，我们没有出现领军人物，没有社会需求，就没有成功，CAD那个时候有很有名的公司，后来就没有了，那个时候CAD简直不得了。但是，就没过几年慢慢就淡出我们视野了。”中华放射学会候任主任委员、北京协和医院放射科主任金征宇这样表示。

中华放射学会副主任委员、上海长征医院放射科主任刘士远

　　中华放射学会副主任委员、上海长征医院放射科主任刘士远说：“20年前，我们和一些搞计算机的专家就有过合作，当时他们请我为肺癌做一个专家诊断，我来给肺癌做一些诊像，根据我定义的诊像，把它做成一个系统，计算机系统根据我定义的诊像，判断病灶是良性还是恶性，后来证实这个方法开始有一定准确率，但是到一定程度以后没法提高，因此就没有继续下去。其实各个厂家在临床工作当中跟我们合作，包括厂家设备里面也带了一些软件，目的也是让临床工作当中能够更容易的发现病变，更容易对病灶定量。当然，这些CAD 解决了一些问题，包括对于一些小病灶的发现，包括对于一些病灶形态的分析和病变。但是，大多数的 CAD 耗时比较长，常规临床应用存在很大的难度”。

　　然而医疗影像的识别分析工作，对于人工智能的需求已然越来越强烈。目前我国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率约为4.1%。放射科医师的数量增长远不及影像数据的增长。这意味着放射科医师在未来处理影像数据的压力会越来越大，甚至远远超过负荷。

数据和图片来源：蛋壳研究院

　　“我们每天进行影像检查的人是大几千……比如说胸部 CT , 一个病人至少要200多张图片，甚至300多张图片，一张图片看3秒钟的时间，看完一个病人，最起码要十几分钟到半个小时。” 华中科技大学同济医学院附属同济医院放射科主任夏黎明教授这么告诉我们，“国内的放射科医生很苦，早上8点上班，忙到晚上10点还在写诊断报告。中午很多人都是一边吃盒饭，一边看片子。”

华中科技大学同济医学院附属同济医院放射科主任夏黎明教授

　　正在这时，深度学习和神经网络技术对 AI 的强势赋能开始了。

　　深度学习 AI 能够自动寻找特征，非常适合智能医疗影像

　　2006年，神经网络领域的大师 GeoffreyHinton 教授与其博士生在《Science》和相关期刊上发表了论文，首次提出了“深度置信网络”的概念。与传统的训练方式不同，“深度置信网络”有一个“ 预训练”（pre-training）的过程，这可以方便的让神经网络中的权值找到一个接近最优解的值，之后再使用“ 微调 ”(fine-tuning)技术来对整个网络进行优化训练。这两个技术的运用大幅度减少了训练多层神经网络的时间。他给多层神经网络相关的学习方法赋予了一个新名词——“ 深度学习 ”。

　　2012年，Hinton 教授的研究团队参加了斯坦福大学李飞飞教授等组织的 ImageNetILSVRC 大规模图像识别评测任务。该任务包括120万张高分辨率图片，1000个类比。Hinton 教授团队使用了全新的多层卷积神经网络结构，突破性地将图像识别错误率从26.2%降低到了15.3%。 这一革命性的技术，让神经网络深度学习以极快的速度跃入了医疗和工业领域，这才有了后来一系列使用该技术的医学影像公司的出现。

智能医疗背后的算法演进

　　卷积神经网络（CNN）以及深度神经网络（DNN）等深度学习方法更真实地模拟了人体大脑对图像的识别过程，利用数据量以及计算量作为模型驱动力，通过感受野和权值共享减少了神经网络需要训练的参数个数，最终实现了超越传统方法的图像识别性能。

　　对于医疗领域来说，深度学习自动寻找特征化的功能非常有用。图像有不同形态，来自不同的组织，深度学习可以进行分析与处理，让一些人为误差得到调整。通过深度学习提取最主要的特征，它也可以对疾病分类，做图像分类与分割。无需人为干涉，深度学习算法就可以从医学影像中找出许多复杂程度极高，难以用语言详尽描述出的对比特征。这些细微的特征可能是纤维瘤的象征，也可能是息肉。

　　想将深度学习应用于医疗影像，先搬到医院旁边去住

转载请注明出处。