深度学习技术优化医疗,究竟靠谱不靠谱?

作者:刘露诗 2017-01-14 08:00

{{detail.short_name}} {{detail.main_page}}

{{detail.description}} {{detail.round_name}} {{detail.state_name}}

{{detail.province}}-{{detail.city}}
{{detail.setup_time}}
融资金额:{{detail.latest_event_amount}}{{detail.latest_amount_unit}}
投资方: · {{item.latest_event_tzf_name}}
企业数据由提供支持
查看

不少研究人工智能的人认为,深度学习的下一个出口在医疗。且慢,也许它所实现的精准判断的确符合医疗界力求精确的特性,但医疗界对这项技术的接纳程度到了哪步呢?


对于许多技术驱动型的行业,技术的不断突破是它们必要的生存条件。然而另一些领域却因为监管等限制,更偏向于沿袭传统做法。医疗领域就属于后者。尽管精准医疗计划的推行、当代的移动医疗的浪潮为行业带来了极大进展,但医疗作为国家经济的一个重要组成部分,还是在各种约束之下显得更加守旧,对一些有潜力的先进工具接受度较低。


深度学习已经不是什么新鲜话题,而且其应用场景还正在广泛延展。传统的深度学习技术很可能将出现一些更加成熟的变体(卷积和递归神经网络都是其初始形式),为一些医疗领域提供特定的功能,挖掘更多的可能。当然,我们也将很快面临一系列挑战。


在过去一年,深度学习已经从原本主攻的视频、影像、语音识别分析等商业领域更多地转向了科研领域。对于医疗来说,深度学习将更深植于医学影像、基于传感器的数据分析、转化生物信息学、公共卫生政策发展等方面。


一群专业的深度学习研究人员专门分析了近年来深度学习在医疗信息中化的应用,指出:计算机功能、快速数据存储、并行计算这几方面的提升,是深度学习得以迅速发展的基础,而深度学习的预测功能和自动识别功能让它在疾病诊断中广受欢迎。另外他们还发现,医疗行业对深度学习技术的使用不仅在频率上有显著提升,而且在种类上也有一定的变化。递归神经网络作为最主要的一个种类,从2010年的近90%降低到2015年的40%;而其他改良类型的使用频率越来越高。


small_1420.png


优缺点及适用质疑


对于医疗信息化领域,深度学习自动寻找新特征的功能非常有用。举个例子,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。研究人员们还指出,在公共健康领域,深度学习还能从复杂的区域和人口数据中找出宏观规律。


“大多数的深度学习模型所追踪的特征都是难以说明的,”研究人员指出,“因此,使用者们通常都把深度学习作为一个‘黑箱’方法,不可能也没必要解释它是怎么作出正确判断的。”但深度学习这个黑箱的问题是,神经网络在被训练的过程中可能会被“欺骗”。


所谓“欺骗”,即在输入的数据中加入小的改变,就很容易误导深度学习系统。比如在一张医学影像中加入极细微的干扰,导致样品被错误地剔出分类;反过来,有时候一些无意义的合成样本也被归入某类中。这是深度学习的技术面临的真正局限,当然,不止深度学习,任何机器学习的手段都可能产生同样的问题。


训练任何类型的神经网络识别一些简单的特征,都需要大量的数据。况且这项技术并非对所有情况都适用,尤其是罕见疾病。对于深度学习来说,过度学习(过拟合)现象仍是一个问题,这会导致神经网络难以实现普适化。


虽然深度学习在医疗上很有前途,但面临着一些质疑的声音:这种技术在医疗的应用上究竟能占多大的比例?某些领域是否真的有必要引入深度学习?说是代替医生的人工判断,拥有更高的准确性,而实际上真的能确保使用的效率提升吗?这些问题我们仍没有答案,但有一点我们很确定,那就是已经有很多大公司已经在用深度学习探索医疗的道路上越走越宽,而掌握了这项技术的医疗创业公司也层出不穷。


举例:将深度学习技术用于医疗的企业


1. IBM:采用深度学习识别癌变细胞的有丝分裂

诊断癌变细胞时,通常是用活组织切片检查法来分析病人组织样本。分析样本时,会将典型的组织样本用试剂溶液进行着色标记,试剂颜色的深浅及其在细胞组织内的分布情况,预示着疾病种类及恶化程度。


但有时这些组织尤为细小,医学专家需要寻找替代肉眼的方法从中检测出肿瘤细胞消失或癌变的重要特征,方便医生进行下一步决策。就在2016 年MICCAI 国际会议的“肿瘤扩散评估挑战赛”中,IBM 实验室人员用人工智能的方法识别组织样本特性,取得了不错的成绩。


2. 谷歌DeepMind:深度学习用于医疗记录、眼部疾病、癌症治疗

去年2月,DeepMind成立DeepMind Health部门,收购了做医疗管理应用的Hark公司,结合自己的深度学习专长来改进传统纸质病例的弊端。


去年7月,与Moorfields眼科医院合作,开发辨识视觉疾病的深度学习系统,以识别老年黄斑变性、糖尿病视网膜病变等眼部疾病的早期征兆,提前预防视觉疾病。


去年8月,DeepMind还用深度学习的算法来设计头颈癌患者放疗疗法,缩短放疗时间、降低放疗伤害。


3. 英伟达:癌症分布式学习环境计划

决心深潜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”(Cancer Distributed Learning Environment,CANDLE)。


癌症有千百种,每一种癌症的发病原因又可以有上千种,选择合适的疗法是个大工程。CANDLE计划会利用深度算法,从医疗行业大量的数据中找出规律与模式,帮助研究者预测某类肿瘤对特定药物的反应,又有那些原因导致癌细胞增殖疗等。

如果您想对接动脉网所报道的企业,请填写表单,我们的工作人员将尽快为您服务。


注:文中如果涉及企业数据,均由受访者向分析师提供并确认。如果您有资源对接,联系报道项目,可以点击链接填写基本信息,我们将尽快与您联系。

声明:动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。转载请联系tg@vcbeat.net。

分享

微信扫描二维码分享文章

企业
对接
商务
合作
用户
反馈