人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用與前景課件

人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用與前景人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用與前景1人工智能、機(jī)器學(xué)習(xí)還是深度學(xué)習(xí)？人工智能、機(jī)器學(xué)習(xí)還是深度學(xué)習(xí)？2機(jī)器學(xué)習(xí)的定義A

computer

programissaid

tolearn

from

experience

E

withrespect

tosomeclass

of

tasksTandperformance

measure

P,ifitsperformance

attasksinT,asmeasuredby

P,improves

withexperience

E.——Tom

Mitchel，Machine

Learning計(jì)算機(jī)通過對已有資料的來積累經(jīng)驗(yàn)，自動提高對任務(wù)的處理性能。模型樣本結(jié)果預(yù)測訓(xùn)練機(jī)器學(xué)習(xí)的定義Acomputerprogramiss3機(jī)器學(xué)習(xí)的典型問題范疇SVMkNNLR例如：肺部結(jié)節(jié)良惡性判定C4.5回歸LinearSVRPR例如：載脂蛋白同低密度膽固醇的關(guān)聯(lián)分析k-meansDBSCANSpectral例如：基于分子分型和臨床表現(xiàn)的相似群體劃分PCASVDLDA降維例如：癲癇患者腦電信號的電極選擇和特征提叏DNNCNNRNN例如：影像數(shù)據(jù)變換為反映異常情況的定長數(shù)值向量機(jī)器學(xué)習(xí)的典型問題范疇SVMkNN例如：肺部結(jié)節(jié)良惡性判定C4當(dāng)前醫(yī)療領(lǐng)域機(jī)器學(xué)習(xí)應(yīng)用熱點(diǎn)方向醫(yī)學(xué)影像處理1.

影像分類?

檢查分類?

目標(biāo)區(qū)域/病灶分類2.

目標(biāo)檢測?

器官、組織及標(biāo)記定位?

病灶檢測3.

圖像分割?

器官/解剖結(jié)構(gòu)區(qū)域分割?

病灶區(qū)域分割4.

影像檢索?

基于內(nèi)容的影像檢索病歷信息結(jié)構(gòu)化醫(yī)院輿情監(jiān)控當(dāng)前醫(yī)療領(lǐng)域機(jī)器學(xué)習(xí)應(yīng)用熱點(diǎn)方向1.影像分類?檢查分類?5前沿研究成果基于乳腺鉬靶影像的病變檢測檢測效能接近人類丏家水平AUC

=

0.852

(AI)vs.

AUC=

0.911(MeanReader)Kooi,T.,Litjens,G.,

vanGinneken,B.,Gubern-Me?rida,

A.,Sa?nchez,C.

I.,Mann,R.,denHeeten,

A.,Karssemeijer,

N.,

2016.Large

scale

deep

learningfor

computer

aideddetectionofmammographic

lesions.

MedicalImage

Analysis

35,

303–312前沿研究成果基于乳腺鉬靶影像的病變檢測檢測效能接近人類丏家水6前沿研究成果*基于腦部MRI的白質(zhì)高信號灶分割分割效能接近人類丏家水平Dice=

0.780

(AI)vs.

Dice=0.796(Indep.

Obs)Ghafoorian,

M.,Karssemeijer,N.,Heskes,

T.,vanUden,I.W.

M.,de

Leeuw,F.-E.,Marchiori,

E.,vanGinneken,B.,Platel,B.,2016b.

Non-uniform

patch

samplingwithdeep

convolutionalneu-

ral

networksfor

whitematter

hyperintensitysegmentation.

In:IEEE

InternationalSymposium

onBiomedicalImaging.

pp.

1414–

1417前沿研究成果*基于腦部MRI的白質(zhì)高信號灶分割分割效能接近人7前沿研究成果*基于皮膚鏡照片的皮膚癌分類診斷分類效能達(dá)到人類丏家水平AUC

=

0.91

(AI)Esteva,A.,Kuprel,B.,Novoa,R.A.,Ko,J.,Swetter,

S.M.,

Blau,H.M.,

Thrun,S.,

2017.

Dermatologist-level

classification

ofskincancer

withdeep

neuralnetworks.

Nature542,

115–118前沿研究成果*基于皮膚鏡照片的皮膚癌分類診斷分類效能達(dá)到人類8前沿研究成果*基于數(shù)字病理切片的乳腺癌淋巴結(jié)轉(zhuǎn)移檢測檢測效能達(dá)到人類丏家水平AUC

=

0.986

(AI)vs.

AUC=

0.966

(Pathologist)Yun

L.,

KrishnaG.,

Mohammad

N.,

GeorgeE.D.,TimoK.,AlekseyB.,Subhashini

V.,Aleksei

T.,

PhilipQ.N.,GregS.C.,JasonD.

H.,LilyP.,

Martin

C.S.,

2017.DetectingCancerMetastases

onGigapixelPathology

Images.ArXiv前沿研究成果*基于數(shù)字病理切片的乳腺癌淋巴結(jié)轉(zhuǎn)移檢測檢測效能9前沿研究成果*基于眼底照片的糖尿病性視網(wǎng)膜病變檢測檢測效能達(dá)到人類丏家水平AUC

=

0.991

(AI)Gulshan,

Varun,

etal.

Developmentandvalidationofadeep

learningalgorithmfor

detectionofdiabeticretinopathy

inretinalfundus

photographs.JAMA316.22(2016):

2402-2410前沿研究成果*基于眼底照片的糖尿病性視網(wǎng)膜病變檢測檢測效能達(dá)10前沿研究成果*胸片骨減影減影后影像質(zhì)量超過了常用的雙能量數(shù)字減影攝影術(shù)（DES）Yang,

W.,

Chen,Y.,Liu,

Y.,Zhong,

L.,

Qin,G.,

Lu,

Z.,

Feng,

Q.,Chen,W.,

2016c.

Cascade

ofmulti-scale

convolutionalneuralnet-

works

forbonesuppressionofchestradiographs

ingradient

do-main.

MedicalImageAnalysis35,

421–433前沿研究成果*胸片骨減影減影后影像質(zhì)量超過了常用的雙能量數(shù)字11結(jié)構(gòu)化病歷數(shù)據(jù)解決方案DRESSEngine

&Fellow-XEngine醫(yī)學(xué)彔入員A醫(yī)學(xué)彔入員B識別彔入A交叉審查終審QC待識別病歷科室數(shù)據(jù)中心識別彔入B基于原始數(shù)據(jù)：·

290,000份“病理報告&結(jié)構(gòu)化數(shù)據(jù)”·

250,000份“影像報告&結(jié)構(gòu)化數(shù)據(jù)”·

180,000份“手術(shù)記彔&結(jié)構(gòu)化數(shù)據(jù)”結(jié)構(gòu)化病歷數(shù)據(jù)解決方案DRESSEngine&Fell12部分基于結(jié)構(gòu)化病歷數(shù)據(jù)的研究成果肺部結(jié)節(jié)檢測模型血小板減少癥風(fēng)險預(yù)測（肺癌化療后）中性粒細(xì)胞減少癥預(yù)測模型血紅蛋白減少癥風(fēng)險預(yù)測（肺癌化療后）（肺癌化療后）部分基于結(jié)構(gòu)化病歷數(shù)據(jù)的研究成果肺部結(jié)節(jié)檢測模型血小板減少癥13智能輿情監(jiān)控成果“中科天啟系統(tǒng)是LinkDoc聯(lián)手中科院計(jì)算所煙臺分所共同打造全球首個針對醫(yī)療機(jī)構(gòu)大數(shù)據(jù)輿情風(fēng)險監(jiān)控管理系統(tǒng)。此系統(tǒng)智能學(xué)習(xí)LinkDoc十年醫(yī)療輿情數(shù)據(jù)庫，5400+重大輿情事件。通過聚類、分類、語義識別等AI技術(shù)，為醫(yī)療機(jī)構(gòu)提供實(shí)時的輿情信息，對輿情危機(jī)提前収現(xiàn)、提前處理，幵通過對數(shù)據(jù)分析和整理幫助了解行業(yè)動態(tài)、用戶需求，構(gòu)建和諧的醫(yī)患關(guān)系。系統(tǒng)支持PC端及手機(jī)客戶端，方便實(shí)時查看。“智能輿情監(jiān)控成果“中科天啟系統(tǒng)是LinkDoc聯(lián)手中科院計(jì)算14智能輿情監(jiān)控成果*中科天啟系統(tǒng)已為全國數(shù)十家醫(yī)院提供院外大數(shù)據(jù)風(fēng)險監(jiān)控解決方案合作機(jī)構(gòu)中國醫(yī)師協(xié)會官方戰(zhàn)略合作伙伴中國醫(yī)患數(shù)據(jù)中心信息技術(shù)運(yùn)營商中國醫(yī)療風(fēng)險丏業(yè)委員會委員部分合作醫(yī)院四川大學(xué)華西醫(yī)院中南大學(xué)湘雅醫(yī)院泰達(dá)心血管病醫(yī)院四川大學(xué)華西第二醫(yī)院北京大學(xué)第三醫(yī)院北京胸科醫(yī)院上海市胸科醫(yī)院天津市眼科醫(yī)院云南省玉溪市人民醫(yī)院天津醫(yī)科大學(xué)總醫(yī)院上海肺科醫(yī)院江蘇省人民醫(yī)院智能輿情監(jiān)控成果*中科天啟系統(tǒng)已為全國數(shù)十家醫(yī)院提供院外大數(shù)15機(jī)器學(xué)習(xí)應(yīng)用于臨床醫(yī)學(xué)所面臨的挑戰(zhàn)1.優(yōu)化目標(biāo)定義2.可用數(shù)據(jù)3.因果性/可解釋性部分臨床問題缺乏共識定義，難以借力機(jī)器學(xué)習(xí)(1)

標(biāo)注數(shù)據(jù)缺乏(2)

臨床數(shù)據(jù)結(jié)構(gòu)化問題(3)

跨時間維度數(shù)據(jù)跟蹤(1)

機(jī)器學(xué)習(xí)的本質(zhì)是對自變量(X)和因變量(Y)之間關(guān)聯(lián)性的學(xué)習(xí)(2)

非線性關(guān)系的映射因其復(fù)雜性，難以建立因果關(guān)系的映射針對有明確定義的臨床問題進(jìn)行探索(1)

弱監(jiān)督學(xué)習(xí)

&遷移學(xué)習(xí)(2)

規(guī)范流程

&

數(shù)據(jù)結(jié)構(gòu)化(3)

建立臨床數(shù)據(jù)跟蹤體系(1)

模型分層，在不同粒度上與已知的醫(yī)學(xué)概念進(jìn)行映射(2)

模型可視化機(jī)器學(xué)習(xí)應(yīng)用于臨床醫(yī)學(xué)所面臨的挑戰(zhàn)1.優(yōu)化目標(biāo)定義2.可16Thank

YouThankYou17人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用與前景人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用與前景18人工智能、機(jī)器學(xué)習(xí)還是深度學(xué)習(xí)？人工智能、機(jī)器學(xué)習(xí)還是深度學(xué)習(xí)？19機(jī)器學(xué)習(xí)的定義A

computer

programissaid

tolearn

from

experience

E

withrespect

tosomeclass

of

tasksTandperformance

measure

P,ifitsperformance

attasksinT,asmeasuredby

P,improves

withexperience

E.——Tom

Mitchel，Machine

Learning計(jì)算機(jī)通過對已有資料的來積累經(jīng)驗(yàn)，自動提高對任務(wù)的處理性能。模型樣本結(jié)果預(yù)測訓(xùn)練機(jī)器學(xué)習(xí)的定義Acomputerprogramiss20機(jī)器學(xué)習(xí)的典型問題范疇SVMkNNLR例如：肺部結(jié)節(jié)良惡性判定C4.5回歸LinearSVRPR例如：載脂蛋白同低密度膽固醇的關(guān)聯(lián)分析k-meansDBSCANSpectral例如：基于分子分型和臨床表現(xiàn)的相似群體劃分PCASVDLDA降維例如：癲癇患者腦電信號的電極選擇和特征提叏DNNCNNRNN例如：影像數(shù)據(jù)變換為反映異常情況的定長數(shù)值向量機(jī)器學(xué)習(xí)的典型問題范疇SVMkNN例如：肺部結(jié)節(jié)良惡性判定C21當(dāng)前醫(yī)療領(lǐng)域機(jī)器學(xué)習(xí)應(yīng)用熱點(diǎn)方向醫(yī)學(xué)影像處理1.

影像分類?

檢查分類?

目標(biāo)區(qū)域/病灶分類2.

目標(biāo)檢測?

器官、組織及標(biāo)記定位?

病灶檢測3.

圖像分割?

器官/解剖結(jié)構(gòu)區(qū)域分割?

病灶區(qū)域分割4.

影像檢索?

基于內(nèi)容的影像檢索病歷信息結(jié)構(gòu)化醫(yī)院輿情監(jiān)控當(dāng)前醫(yī)療領(lǐng)域機(jī)器學(xué)習(xí)應(yīng)用熱點(diǎn)方向1.影像分類?檢查分類?22前沿研究成果基于乳腺鉬靶影像的病變檢測檢測效能接近人類丏家水平AUC

=

0.852

(AI)vs.

AUC=

0.911(MeanReader)Kooi,T.,Litjens,G.,

vanGinneken,B.,Gubern-Me?rida,

A.,Sa?nchez,C.

I.,Mann,R.,denHeeten,

A.,Karssemeijer,

N.,

2016.Large

scale

deep

learningfor

computer

aideddetectionofmammographic

lesions.

MedicalImage

Analysis

35,

303–312前沿研究成果基于乳腺鉬靶影像的病變檢測檢測效能接近人類丏家水23前沿研究成果*基于腦部MRI的白質(zhì)高信號灶分割分割效能接近人類丏家水平Dice=

0.780

(AI)vs.

Dice=0.796(Indep.

Obs)Ghafoorian,

M.,Karssemeijer,N.,Heskes,

T.,vanUden,I.W.

M.,de

Leeuw,F.-E.,Marchiori,

E.,vanGinneken,B.,Platel,B.,2016b.

Non-uniform

patch

samplingwithdeep

convolutionalneu-

ral

networksfor

whitematter

hyperintensitysegmentation.

In:IEEE

InternationalSymposium

onBiomedicalImaging.

pp.

1414–

1417前沿研究成果*基于腦部MRI的白質(zhì)高信號灶分割分割效能接近人24前沿研究成果*基于皮膚鏡照片的皮膚癌分類診斷分類效能達(dá)到人類丏家水平AUC

=

0.91

(AI)Esteva,A.,Kuprel,B.,Novoa,R.A.,Ko,J.,Swetter,

S.M.,

Blau,H.M.,

Thrun,S.,

2017.

Dermatologist-level

classification

ofskincancer

withdeep

neuralnetworks.

Nature542,

115–118前沿研究成果*基于皮膚鏡照片的皮膚癌分類診斷分類效能達(dá)到人類25前沿研究成果*基于數(shù)字病理切片的乳腺癌淋巴結(jié)轉(zhuǎn)移檢測檢測效能達(dá)到人類丏家水平AUC

=

0.986

(AI)vs.

AUC=

0.966

(Pathologist)Yun

L.,

KrishnaG.,

Mohammad

N.,

GeorgeE.D.,TimoK.,AlekseyB.,Subhashini

V.,Aleksei

T.,

PhilipQ.N.,GregS.C.,JasonD.

H.,LilyP.,

Martin

C.S.,

2017.DetectingCancerMetastases

onGigapixelPathology

Images.ArXiv前沿研究成果*基于數(shù)字病理切片的乳腺癌淋巴結(jié)轉(zhuǎn)移檢測檢測效能26前沿研究成果*基于眼底照片的糖尿病性視網(wǎng)膜病變檢測檢測效能達(dá)到人類丏家水平AUC

=

0.991

(AI)Gulshan,

Varun,

etal.

Developmentandvalidationofadeep

learningalgorithmfor

detectionofdiabeticretinopathy

inretinalfundus

photographs.JAMA316.22(2016):

2402-2410前沿研究成果*基于眼底照片的糖尿病性視網(wǎng)膜病變檢測檢測效能達(dá)27前沿研究成果*胸片骨減影減影后影像質(zhì)量超過了常用的雙能量數(shù)字減影攝影術(shù)（DES）Yang,

W.,

Chen,Y.,Liu,

Y.,Zhong,

L.,

Qin,G.,

Lu,

Z.,

Feng,

Q.,Chen,W.,

2016c.

Cascade

ofmulti-scale

convolutionalneuralnet-

works

forbonesuppressionofchestradiographs

ingradient

do-main.

MedicalImageAnalysis35,

421–433前沿研究成果*胸片骨減影減影后影像質(zhì)量超過了常用的雙能量數(shù)字28結(jié)構(gòu)化病歷數(shù)據(jù)解決方案DRESSEngine

&Fellow-XEngine醫(yī)學(xué)彔入員A醫(yī)學(xué)彔入員B識別彔入A交叉審查終審QC待識別病歷科室數(shù)據(jù)中心識別彔入B基于原始數(shù)據(jù)：·

290,000份“病理報告&結(jié)構(gòu)化數(shù)據(jù)”·

250,000份“影像報告&結(jié)構(gòu)化數(shù)據(jù)”·

180,000份“手術(shù)記彔&結(jié)構(gòu)化數(shù)據(jù)”結(jié)構(gòu)化病歷數(shù)據(jù)解決方案DRESSEngine&Fell29部分基于結(jié)構(gòu)化病歷數(shù)據(jù)的研究成果肺部結(jié)節(jié)檢測模型血小板減少癥風(fēng)險預(yù)測（肺癌化療后）中性粒細(xì)胞減少癥預(yù)測模型血紅蛋白減少癥風(fēng)險預(yù)測（肺癌化療后）（肺癌化療后）部分基于結(jié)構(gòu)化病歷數(shù)據(jù)的研究成果肺部結(jié)節(jié)檢測模型血小板減少癥30智能輿情監(jiān)控成果“中科天