弱監(jiān)督學(xué)習(xí)在智慧醫(yī)療中的應(yīng)用

HANGZHOUDIANZTUNIVERSITY課程論文論文題目：弱監(jiān)督學(xué)習(xí)在智慧醫(yī)療中的應(yīng)用課程名稱 科學(xué)思維啟蒙姓名 徐銘蔚學(xué)期 2019-2020學(xué)年第一學(xué)期開課學(xué)院 自動化學(xué)院（人工智能學(xué)院）課程屬性 公共選修課任課教師 趙新顏HANGZHOUDUI4?TUNIVERSITY弱監(jiān)督學(xué)習(xí)在智慧醫(yī)療中的應(yīng)用徐銘蔚摘要：人工智能（AI）在醫(yī)療方面的應(yīng)用有著非常光明的前景，不過這是一個比較新的領(lǐng)域，就像任何一項新技術(shù)的廣泛應(yīng)用需要有倫理考量和制度支持，AI在醫(yī)療方面的應(yīng)用也存在著許多爭議。將人工智能通過弱監(jiān)督學(xué)習(xí)后的指標(biāo)與人工判別相對比，發(fā)現(xiàn)機器識別的準(zhǔn)確率跟人工識別和大量標(biāo)注訓(xùn)練的結(jié)果差不多。我們希望通過這種方法，在減少標(biāo)注工作量的情況下，更充分、有效地利用數(shù)據(jù)，用更多數(shù)據(jù)來訓(xùn)練，提高人工智能在輔助識別醫(yī)療圖像方面的準(zhǔn)確度。關(guān)鍵詞：人工智能：弱監(jiān)督學(xué)習(xí)：醫(yī)療圖像：準(zhǔn)確性中圖分類號： 文獻(xiàn)標(biāo)識碼：A 文章編號：0引言一篇2009年在英國《柳葉刀》［1雜志上發(fā)表的論文，它標(biāo)題寫的是“未來的挑戰(zhàn)”。假如未來超過一半的人壽命超過100歲，對社會醫(yī)療系統(tǒng)將是非常大的挑戰(zhàn)。現(xiàn)在人口老齡化已經(jīng)非常嚴(yán)重，通常來說，人的年紀(jì)越大醫(yī)療成本就越高。假如超過一半人活過100歲，而人類又沒有更好的醫(yī)療方法，將給社會帶來很大的成本。而弱監(jiān)督學(xué)習(xí)的優(yōu)勢就在于在減少標(biāo)注工作量的情況下，更充分、有效地利用數(shù)據(jù)，充分發(fā)揮機器學(xué)習(xí)的能力，構(gòu)建更復(fù)雜和精確的模型，通過端到端的深度學(xué)習(xí)方法培育這個系統(tǒng)，幫助在標(biāo)簽有限的情況下，進(jìn)行醫(yī)學(xué)影像的處理、分類和切割。下文將以弱監(jiān)督在癌癥識別以及通過深度學(xué)習(xí)視網(wǎng)膜基底照片來預(yù)測心血管疾病為例，探究弱監(jiān)督學(xué)習(xí)在智慧醫(yī)療中的應(yīng)用。1弱監(jiān)督學(xué)習(xí)下的視覺顯著性目標(biāo)檢測算法1.1弱監(jiān)督學(xué)習(xí)下的算法框架［2］

本文所提弱監(jiān)督學(xué)習(xí)下的視覺顯著性目標(biāo)檢測算法的整體框架如圖1所示。該算法在訓(xùn)練的過程中采用了迭代學(xué)習(xí)的方式，每次迭代訓(xùn)練視覺顯著性目標(biāo)的表征及其在顯著圖中的權(quán)測試圖像集重，通過不斷的迭代加強對重復(fù)目標(biāo)的感知。這里，每次迭代學(xué)習(xí)分為3個階段視覺顯著性目標(biāo)的表征學(xué)習(xí)，CRF的學(xué)習(xí)［3］，標(biāo)注信息的更新。第一階段，視覺顯著性目標(biāo)的表征學(xué)習(xí)，將圖像進(jìn)行分塊，通過設(shè)定高閾值的圖像塊作為負(fù)實例。由于視覺顯著性目標(biāo)的具有多種表征，我們將所有的正實例進(jìn)行聚類，將所有正實例標(biāo)簽成不同的成分，然后訓(xùn)練多標(biāo)簽下的SVM，從而獲得視覺顯著性目標(biāo)的不同表征。第二階段，CRF學(xué)習(xí)用CRF將學(xué)習(xí)到視覺顯著性目標(biāo)的表征進(jìn)行聯(lián)合學(xué)習(xí)獲得視覺顯著性目標(biāo)的表征在最后顯著性中的權(quán)重。第三階段標(biāo)注信息的更新過程利用學(xué)習(xí)到的視覺顯著性目標(biāo)的表征及CRF模型計算圖像的顯著性從而更新訓(xùn)練圖像的標(biāo)注信息。測試過程，根據(jù)最后選擇的視覺顯著性目標(biāo)的表征及CRF系數(shù)計算測試圖像的顯著性。具體框架見下圖圖1本文所提算法框架2弱監(jiān)督學(xué)習(xí)在智慧醫(yī)療中的應(yīng)用2.1弱監(jiān)督學(xué)習(xí)在癌細(xì)胞識別中的應(yīng)用這個方法的基本概念是訓(xùn)練兩個分類器，上面是正常細(xì)胞，下面是有癌細(xì)胞。希望通過自動訓(xùn)練分類器，讓它在像素級別告訴人們一個細(xì)胞到底是癌細(xì)胞還是正常細(xì)胞。在統(tǒng)計出圖中的細(xì)胞有癌還是無癌后，再把它放到下圖中的訓(xùn)練方程式⑷里。MultipleInstanceLearning(Cancer) Pixel-level ImagZevel.,.(Cancer) Pixel-level ImagZevel.,.Prediction Predictional=Q，(匕，力fslC*=arginin{L}LearningProcedureConstrainedDeepWeakSupervisionfted*dikwi際小腿?訕fted*dikwi際小腿?訕下圖為實驗成果[5]:第二列是醫(yī)生標(biāo)注的結(jié)果，最右邊一列是系統(tǒng)標(biāo)出來的結(jié)果?？梢园l(fā)現(xiàn)，只要有癌細(xì)胞的地方，系統(tǒng)基本都找出來了。這是2012年還沒有用深度學(xué)習(xí)時達(dá)到的效果，這五年里又取得了很多進(jìn)步。整丑易皿州豚避米H曲劃奢前網(wǎng)釀K煮襄散盡要3.乙HWSaWClD1!WSAMaJVgM!IFM!iF^umooq-HK

(f) Q) (?) (p) <3)mdui

(?>6H60■J t66,0■J ￡66D?整丑易皿州豚避米H曲劃奢前網(wǎng)釀K煮襄散盡要3.乙HWSaWClD1!WSAMaJVgM!IFM!iF^umooq-HK

(f) Q) (?) (p) <3)mdui

(?>6H60■J t66,0■J ￡66D?JZ66*()■d2X6()■4oari-joooi-j(mm>i■j(MX)I-J岫o?4919,0-d9Ht0-J R葉0?』OJSO■d00^0■dM?潞騷盤ZIH,O-twoC9Z0■JAlLSaSAlNnIZNVianOHZSNVH糖尿病會對眼睛產(chǎn)生影響，其中最常見的微血管并發(fā)癥之一是糖尿病視網(wǎng)膜病變[6][7]，這也是導(dǎo)致患者失明的原因之一。這個算法兇使用的128175張視網(wǎng)膜基底照片，由54名眼科醫(yī)師專業(yè)評估(平均每張圖被評估3-7次)。深度學(xué)習(xí)算法預(yù)測與現(xiàn)實結(jié)果非常接近，與有數(shù)年經(jīng)驗的眼科醫(yī)生的診斷不相上下。尤其是在關(guān)于信號檢測理論[9](signaldetectiontheory)的兩個方面：1.敏感度(Sensitivity):正確診斷出有病的概率，高達(dá)90%，這也意味著‘有病被診斷成沒病的漏診率’約為10%2.特異度(Specificity):正確診斷出沒病的概率，高達(dá)98%，這也意味著“沒病被診斷特異度(Specificity):正確診斷出沒病的概率，高達(dá)98%，這也意味著“沒病被診斷”。下圖為此過程涉及算法[10]AReferablediabeticretinopathy(RDR} B站卜refeiablecasesEYEPACS-1 MESS1DOR-2 EYEPACS-19*963Pot-enliallyeligiblernu-ges1748Potentiallyeligibleimages 9963PolentiallyeligibleimagesA17Excluded(circularmaskdetectionfailed) 1—>[ ￥___17Excluded(ctrtularmaskdetectionfailed)9946EligrNeimages 1748EligibleImages 9946Eligibleimages1158Excluded(not3Excluded(notfullygradable)FTfullygradable)*8788GradedbyaE-gorilhmforRDR(indextest)1745GradedbyalgorithmforRDR(indextest)9946Gradedbyalgorithmforalbcauserekrability[indexte^sl)8021GridedasnoRDRT767GradedasRDR1503Gradedasno242GmdedasRDR7636Gradedasnotreferable r 2310Gradedasallcausereferable__f￥IwT3021Gradedbyinajoritydecisiortof8ophtJialmDlogisis(referencestandard)767GradetibymajorityctecisidnotSophthalmalogists(referencestandard)1503Gradedbymajoritydecisionuf7ophthalmologists(referencestandard)242Gradedbymajorhydecisionof7ophthalmaliijgists(referencestandard)7636GradedbymajoritydecisionofSophthalmDlogists(referencestaniiard)2310Gradedbymajoritydecisionof8ophthalmologists(referencestandard)TT￥TTFinaldiagna&ls7955NoROR66RDRFinaldiagnosis150NqWR617RDRFin^ldiagnosis1469NoRDR34RDRFin^ldiagnosis22NoRDR加RE>RFinaldiagnosis5450rfj-diBlfR誠&而舊贏r&擊MmC556SFinajldiagnosis4即:加如希1B21Albauwreterablecases3結(jié)束語希望未來通過端到端的深度學(xué)習(xí)方法培育這個系統(tǒng)，幫助人工智能在標(biāo)簽有限的情況下，進(jìn)行醫(yī)學(xué)影像的處理、分類和切割。這種方法除了前面提到的大腸癌，在很多其他領(lǐng)域也可以用到，比如肺癌、宮頸癌等。因為它們面對的是同樣的問題，有很多數(shù)據(jù)需要標(biāo)注。如果能減少標(biāo)注時間，就能利用更多的數(shù)據(jù)。視網(wǎng)膜眼底照片檢測糖尿病視網(wǎng)膜病變算法的通過不斷改進(jìn)，進(jìn)一步量化了視網(wǎng)膜血管與主要心血管事件風(fēng)險的關(guān)聯(lián)，能以70%的準(zhǔn)確率預(yù)測五年內(nèi)哪一位患者會發(fā)生心臟病發(fā)作或其他重大心血管事件，哪一位患者不會。且這些結(jié)果符合需要抽血來測量患者膽固醇的測試方法。綜上來看，人工智能通過弱監(jiān)督學(xué)習(xí)和深度學(xué)習(xí)相融合的模式，能有效地提高醫(yī)療的效率，并保持一個較高的準(zhǔn)確率。參考文獻(xiàn)DesmondJohnSheridan;GerdHeusch;Threatstothefutureofcardiovascularresearch[J].TheLancet,2009,875-876李策，鄧浩海，肖麗梅，張愛華.弱監(jiān)督學(xué)習(xí)下的視覺顯著性目標(biāo)檢測算法[M].北京：中國航天科工集團(tuán)第二研究院706所，2017：1335-1341VidhyaNavalpakkam,LaurentItti.Modelingtheinfluenceoftaskonattention[J]VisionResearch.2004(2)日本研究人員開發(fā)出可高效識別不同類型癌細(xì)胞的人工智能系統(tǒng)[J].生物醫(yī)學(xué)工程與臨床.2019.01.25.55肺癌早期診斷人工智能系統(tǒng)[J].生物醫(yī)學(xué)工程學(xué)進(jìn)展.2019(02)王化湘，彭輝燦.底激光聯(lián)合康柏西普治療糖尿病視網(wǎng)膜病變的臨床效果觀察[J].中南醫(yī)學(xué)科學(xué)雜志.2019.11.15.640-642王永成，王延武，朱廣躍糖尿病視網(wǎng)膜病變視網(wǎng)膜神經(jīng)纖維層厚度與相關(guān)生長因子變化研究[J].實用醫(yī)院臨床雜志。2019.11.01.225-227[8]VarunGulshan,PhD〔；LilyPeng,MD,PhD〔；MarcCoram,PhD1.DevelopmentandValidationofaDeepLearningAlgorithmforDetectionofDiabeticRetinopathyinRetinalFundusPhotographs[J].JAMA.2016;316(22):2402-2410.[9]朱玥,覃堯，董嵐，王公仆.人工智能在移動通信網(wǎng)絡(luò)中的應(yīng)用：基于機器學(xué)習(xí)理論的信道估計與信號檢測算法J2019.02.15.19-25[10]RyanPoplin,AvinashV.Varadara