从英特尔支持DE超声机器人开发，看人工智能在医疗影像.PDFVIP

从英特尔支持DE超声机器人开发， 看人工智能在医疗影像领域的价值和机遇 文章来源：新智元 / 作者 ：张易 【导读】医疗影像智能分析在智能医疗各领域中都属于发展较快的一支。国内 外涌现了一批将 AI 技术应用于医疗影像识别和分析的初创公司。然而，在具 体的技术落地过程中，这些公司往往会遇到一些特定的难题。在此，我们和大 家分享一个在英特尔技术支持下，由浙江大学数理学院和浙江德尚韵兴图像科 技有限公司成功开发的智能医疗影像诊断系统的案例。该系统的任务是识别和 分析影像中的甲状腺结节以及良恶性。从这一案例中，可以看到，英特尔系统 化的计算硬件和所支持的丰富的计算结构和框架，为开发者快速开发提供了有 力武器，并且与其生态环境合作伙伴密切配合，为技术的普及和业务模式的发 展提供了强力支持。 医疗影像数据快速增长，引入人工智能技术成必然 人工智能和医疗影像的结合已经成为一个比较热门的研究和创业方向。除了以 深度学习技术驱动的计算机图像识别能力的大幅提升之外，医疗影像数据的快 速增长也是重要原因。 医疗大数据中有超过 80 % 的数据来自于医疗影像。这些数据大多要进行人工 分析。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 6.1% ，其间的差距是23.9% ，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。 同时，医疗影像的多样性也在不断增强，已经从常见的以灰度为主的 X 光 片、CT、 MRI、B 超等发展到结合了其他动力学、医学解剖学等特征的计算机 合成的彩色、多维影像图片，以及各种数字检查镜产生高分辨率图像 ，如眼底 照片、病理图像等等，以及在影像以外再加上治疗数据、基因数据、预后数据 以及影像时间维度的扩充等结合，多模态影像、病理、检验、基因及随访信息 等数据的种类繁多。 然而长期以来，人工鉴别图像几乎是医疗机构唯一在使用的方式，对医师的经 验、状态都有着极大的依赖，加之人眼的分辨率和敏感度限制，客观上制约了 对影像资料的充分利用。影像科医师较长的培养周期，也对基层医疗机构承担 起分级诊疗政策指导下的疾病初诊都造成了一定压力。 当然，也要看到，尽管数据量如此巨大，且多样性极强，但因为医疗影像数据 的标准化、结构化和统一性在整个医疗数据中仍然是最强的，再加之以深度学 习技术驱动的图像识别本就处在这一波 AI 技术应用浪潮的最前沿，这使得医 疗影像智能分析在智能医疗各领域中都属于发展较快的一支。国内外涌现了一 批将 AI 技术应用于医疗影像识别和分析的初创公司。然而，在具体的技术落 地过程中，这些公司往往会遇到一些特定的难题。 在此，我们和大家分享一个在英特尔技术支持下，由浙江大学数理学院和浙江 德尚韵兴图像科技有限公司成功开发的智能医疗影像诊断系统的案例。该系统 的任务是识别和分析影像中的甲状腺结节以及良恶性。根据实测，国内比较顶 级的三甲医院 10 年资质的放射科医生判断准确性平均在 75% 左右，而目前 双方合作开发出的系统-DE 超声机器人的准确率则能稳定在 85% 以上，在实 验室则达到 90% 以上。并在包括浙江大学第一附属医院的医疗机构已经实际 应用，服务了几千名患甲状腺结节的病人。 DE 超声机器人的用途、优势和价值 浙江大学数理学院和德尚韵兴公司的联合开发团队针对目前人群中高发的甲状 腺结节的智能读片和分析需求，研发了基于深度卷积网络 DNN 的算法，可对 超声医学图像病变区域进行识别和判断。深度学习可以模仿人脑的机制来提取 医学影像的特征，形成更加抽象的高层特征来进行分类或识别物体。传统的机 器学习方法是由专业人员来定义结节或肿瘤的特征，如钙化、边缘、毛刺、灰 度等，利用特征组合来表示目标属性或类别。由于影响因素十分复杂，人工定 义特征难度高而且效果也比较有限。深度学习能自动学习具有层次结构的特 征，如浅层次特征:边缘、灰度、角、回声、钙化、形状等; 深层次特征:复杂纹 理。通过特征学习准确的实现对目标的识别和分类。同时，结合分割技术、检 测与识别技术，通过来自大量不同医院、不同品牌、不同型号的超声机采集的 超声影像数据来训练