我國人工智慧新突破!安翰科技研發的深度卷積神經網絡模型取得突破...

2021-01-07 東方財富網

原標題：我國人工智慧新突破！安翰科技研發的深度卷積神經網絡模型取得突破性進展 診斷小腸疾病敏感率高達99.9%

　　安翰科技將人工智慧技術應用於小腸疾病的臨床識別，取得突破性進展。該研究成果文章Gastroenterologist-Level Identification of Small-Bowel Diseases and Normal Variants by Capsule Endoscopy Using a Deep-Learning Model(譯名《使用深度學習模型的膠囊內窺鏡對小腸疾病和黏膜正常改變的胃腸病專家級臨床識別》)(1)於2019年10月作為封面文章在國際消化領域頂級期刊Gastroenterology(譯名《胃腸病學》，影響因子19.233，RANK=1)上發表，標誌著消化內科又添新助手，有望極大程度地改變小腸疾病的診斷模式，為臨床醫生與患者帶來福音。

　　消化內科又添新助手人工智慧算法可大幅提升閱片時間

　　最近，深度學習算法在醫療領域的應用備受關注。據報導，一種基於深度學習的人工智慧(AI)模型在皮膚癌分類方面的表現與皮膚科醫生相當。(2)此外，深度學習模型在結腸鏡檢查圖像視頻中實時鑑別腺瘤性和增生性小型結腸息肉的能力也已經得到驗證。而本文中關於小腸疾病識別的臨床研究，也正是基於深度學習的AI模型來區分異常圖像和正常圖像。(3)

　　《使用深度學習模型的膠囊內窺鏡對小腸疾病和黏膜正常改變的胃腸病專家級臨床識別》一文由華中科技大學同濟醫學院附屬協和醫院侯曉華教授、藺蓉教授團隊研究，第一作者為華中科技大學同濟醫學院附屬協和醫院消化內科丁震教授、施慧英醫師。由於安翰科技在膠囊內鏡數據影像數據分析以及深度學習模型研究、深度學習算法實現上為這篇論文做出了重要貢獻，安翰科技的3位技術專家作為該文章共同作者出現。

　　不同於傳統應用的胃鏡及腸鏡，小腸疾病是傳統內鏡和影像學檢查的難點，膠囊內鏡的應用是小腸疾病的重要診療方式。然而，由於每例小腸膠囊內鏡檢查產生的視頻時長長達8-10個小時(平均20000-30000張採集圖片/例)，每例患者將花費消化內科醫生1-2小時的時間逐一分析數據和診斷疾病，這大大增加了消化科醫生分析和診斷小腸疾病的時間成本。同時，高強度的人工讀片也會增加漏診率，大大限制了膠囊內鏡在小腸疾病臨床檢查中的廣泛應用。安翰科技人工智慧技術的應用，基於CNN的算法將小腸膠囊內鏡的讀取時間縮短了93.9%，為5.9分鐘，有效輔助消化內科醫生診斷小腸膠囊內鏡圖像。

　　人工智慧訓練可提高檢出率挽救病人生命

　　該項研究使用安翰科技ESView平臺在77個醫學體檢中心進行，患者均行安翰磁控膠囊內鏡檢查。該系統由三部分組成：膠囊內窺鏡、數據記錄儀和帶有實時查看和控制軟體的計算機工作站。

　　安翰膠囊內窺鏡長27毫米，直徑11.8毫米，重4.8克，視野大於140°±10%。膠囊自由通過小腸，動態幀速率為0-2幀/秒。圖像以0.8幀/秒的平均速度被捕獲和記錄。每個視頻都是由連續的單個圖像/幀組成。視頻中的每一幅圖像或每一幀都被按圖像拍攝的順序標記上一個特定的數字，保存到一個文件夾中。

　　該研究收集2016年7月至2018年7月期間6970名患者的小腸膠囊內鏡檢查圖片113,426,569張圖像，分別通過常規方法閱片、深度卷積神經網絡(CNNs)的人工智慧圖像輔助閱讀模型。在CNN模型訓練階段，研究人員使用1970例患者的小腸檢查圖像建立模型；在模型驗證階段，用5000例患者的小腸檢查圖像驗證模型。

　　基於深度卷積神經網絡輔助閱片模型的驗證階段：在驗證階段，所有5000份記錄( 113,268,334張圖像)均由20 名經常進行小腸膠囊內窺鏡(SB-CE)檢査和評估的消化內科醫生通過傳統閱片和基於CNN的輔助閱片進行診斷。

　　對於傳統閱片，5000名患者的5000個視頻全部由20名消化內科醫生組成的團隊閱片。這些視頻隨機平均分配給 20名消化內科醫生，每名消化內科醫生收到250WH 視頻。消化內科醫生審閱每個視頻中的所有原始圖像。對於基於 CNN輔助閱片，首先將5000例患者的所有原始膠囊內窺鏡檢查圖像輸入到基於CNN輔助閱片模型中，並由消化內科醫生對模型自動過濾的可疑異常圖像進行人工復査。可疑異常圖像採用訓練階段描述的基於CNN輔助閱片模型進行選擇。所有消化內科醫生獨立診斷自己分到的250患者並記錄診斷結果和閱片所用的時間。

　　當傳統閱片和基於CNN輔助閱片之間達成診斷一致時，則不需要進行進一步的評估。如果最終診斷不一致和/或觀察到不同的病變時，20名消化內科醫生坐在一起，共同對患者的圖像進行重新評估，以確認或排除不一致。僅以最終一致診斷作為診斷的參考標準。對於傳統閱片識別的病灶未被基於CNN輔助閱片檢測到，我們通過檢査CNN 輔助閱片模型自動篩選出來的可疑異常圖像，以確定基於 CNN輔助閱片模型是否未檢測到病灶。對於CNN輔助閱片識別的病變未被傳統閱片識別到，我們則重新檢査經CNN 輔助閱片識別的疑似異常圖像和該患者的原始視頻。對於一個特定的病人來說，由於CNN輔助閱片模型自動篩選出來的可疑異常圖像都會被特定標記，所以很容易在原始視頻中追蹤到該病變所在的位置。

　　值得一提的是，基於CNN的輔助閱片系統設計的目的是為了確保最高的靈敏度，即篩查出儘可能多的病變，研究者將小腸檢查圖像分為正常圖片和異常圖片。異常圖片在這項研究中又被定義為兩個不同的類別：具有臨床意義的顯著異常病變(如炎症、潰瘍、息肉、隆起性病變、血管疾病、出血、寄生蟲和憩室)和輕度異常病變(淋巴管擴張、淋巴濾泡增生等)。

　　安翰科技將人工智慧技術應用於小腸病灶篩查，不僅實現了膠囊內鏡應用的智能輔助，更有望極大程度地改變小腸疾病的診斷模式，開啟小腸疾病診斷新紀元，具有重大的臨床和社會價值。未來也將嘗試驗證該算法在其他類型膠囊內鏡檢查中的應用，為臨床醫生與患者帶來福音。

　　參考文獻：

　　(1)Gastroenterologist-level Identification of Small Bowel Diseases and Normal Variants by Capsule Endoscopy Using a Deep-learning Model[J]。，，：。

　　(2)Esteva A， Kuprel B， Novoa RA， et al。 Dermatologist-level classification of skin cancer with deep neural networks。 Nature 2017；542:115-118。

　　(3)Byrne MF， Chapados N， Soudan F， et al。 Real-time differen？tiation of adenomatous and hyperplastic diminutive colorectal polyps during analysis of unaltered videos of standard colonos？copy using a deep learning model。 Gut 2019；68:94-100。

(責任編輯：DF386)

相關焦點

  • 深度學習之卷積神經網絡經典模型
    隨著ReLU與dropout的提出，以及GPU帶來算力突破和網際網路時代大數據的爆發，卷積神經網絡帶來歷史的突破，AlexNet的提出讓深度學習走上人工智慧的最前端。圖像預處理AlexNet的訓練數據採用ImageNet的子集中的ILSVRC2010數據集，包含了1000類，共1.2百萬的訓練圖像，50000張驗證集，150000張測試集。
  • 人工智慧之卷積神經網絡(CNN)
    前言：人工智慧機器學習有關算法內容，請參見公眾號「科技優化生活」之前相關文章。人工智慧之機器學習主要有三大類:1)分類;2)回歸;3)聚類。今天我們重點探討一下卷積神經網絡(CNN)算法。　　CNN常用框架:　　1) Caffe:源於Berkeley的主流CV工具包，支持C++,python,matlab; Model Zoo中有大量預訓練好的模型供使用;　　2) Torch: Facebook用的卷積神經網絡工具包,通過時域卷積的本地接口，使用非常直觀; 定義新網絡層簡單;　　3) TensorFlow
  • 揭秘線稿自動上色 喵圖科技突破GPU模型壓縮技術
    原標題：揭秘線稿自動上色 喵圖科技突破GPU模型壓縮技術 　　人工智慧進軍動漫產業，可以助力整個行業，讓動漫日更、優化動漫視效？ 　　來自喵圖科技的算法研發團隊給出了深度學習在動漫領域的研究進展，開發了一套在壓縮GPU顯存的情況下，通過人工智慧給漫畫線稿優化線條、自動上色的技術。 　　訓練機器自動上色，生成效果「以假亂真」！ 　　研究團隊使用生成對抗網絡(GAN)完成上色任務，達到與人工作畫相近的效果。
  • 新譯科技:混合神經網絡算法使智能機器翻譯實現顛覆性突破
    新譯科技：混合神經網絡算法使智能機器翻譯實現顛覆性突破時間：2017-05-19 14:09   來源：中華網   責任編輯：青青 川北在線核心提示：原標題：新譯科技：混合神經網絡算法使智能機器翻譯實現顛覆性突破 在智能化的今天，傳統語言翻譯迎來智能化浪潮。
  • 薦書丨周志華力薦新書《解析深度學習:卷積神經網絡原理與視覺實踐》
    畢竟未必眾人皆慣閱外文書籍，亦未必盡能體會外文微妙表達變化之蘊義，更不消說母語閱讀對新入行者之輕快適意。愚曾自認四十不惑前學力不足立著，但國內科研水準日新月異，青年才俊茁然成長，以旺盛之精力分享所學，誠堪嘉勉。市面上深度學習書籍已不少，但專門針對卷積神經網絡展開，側重實踐又不失論釋者尚不多見。
  • 了解CNN這一篇就夠了:卷積神經網絡技術及發展
    在不同類型的神經網絡當中，卷積神經網絡是得到最深入研究的。早期由於缺乏訓練數據和計算能力，要在不產生過擬合的情況下訓練高性能卷積神經網絡是很困難的。標記數據和近來GPU的發展，使得卷積神經網絡研究湧現並取得一流結果。本文中，我們將縱覽卷積神經網絡近來發展，同時介紹卷積神經網絡在視覺識別方面的一些應用。
  • 深度卷積神經網絡CNNs的多GPU並行框架 及其在圖像識別的應用
    將深度卷積神經網絡（Convolutional Neural Networks, 簡稱CNNs）用於圖像識別在研究領域吸引著越來越多目光。由於卷積神經網絡結構非常適合模型並行的訓練，因此以模型並行+數據並行的方式來加速Deep CNNs訓練，可預期取得較大收穫。
  • 中國在人工智慧和晶片兩大領域又取得一項重大突破
    《自然》論文零的突破。 為了支持這些功能，科研團隊開發了一種跨範式計算平臺，既能夠在統一框架中實現對主流的人工神經網絡（ANN）以及受神經科學啟發的模型和算法的支持，也可以適應面向計算機科學和神經科學的神經網絡，兼容各種神經模型和算法，尤其是基於生物學的（如脈衝神經網絡，即SNN）要素。
  • 中影基地電影核心科技新突破——「中影•神思」人工智慧圖像...
    國家一級科技查新工作站在科技查新中得出結論：「在國內外已公開發表的文獻和專利中，未見具有基於利用人工智慧大數據深度學習算法，採用對抗式生成網絡GAN、DenseNet、CycleGAN網絡等技術，開發由解析度提升畫質增強處理單元、標清圖像去場處理單元、圖像數字修復處理單元三大模塊構成，針對圖像處理的不同問題進行海量素材訓練，建立相應數學模型，利用神經網絡最大限度的追求圖像質量，對大批量畫面素材進行自動處理
  • 光學卷積神經網絡加速器:通過光學實現更強大的人工智慧
    近日，美國喬治·華盛頓大學和加州大學洛杉磯分校的研究人員與深度科技創業公司Optelligence LLC共同開發出一種光學卷積神經網絡加速器，每秒能夠處理拍字節（1拍字節=250位元組）級的大量信息。這項創新利用了光的巨量並行性，預示著用於機器學習的光學信號處理新時代的到來，應用領域眾多，包括無人駕駛汽車、5G網絡、數據中心、生物醫學診斷、數據安全等。
  • 人工智慧黑盒揭秘:深度神經網絡可視化技術
    但深度神經網絡又被稱為「黑盒」模型，多層隱藏結構，數據 / 特徵矢量化，海量決策關鍵元等因素讓模型使用者犯難：模型決策的依據是什麼？應該相信模型麼？特別是對於金融，醫藥，生物等關鍵型任務，深度學習模型的弱解釋性成為人工智慧項目落地的最大障礙。
  • 人工智慧領域新突破百度發布基於深度學習的在線翻譯系統
    日前，百度在機器翻譯技術上取得重大突破，發布了融合統計和深度學習方法的在線翻譯系統。該系統藉助計算機模擬的海量神經元，模仿人腦「理解語言，生成譯文」，同時結合百度已有的統計機器翻譯技術，使得機器翻譯質量實現了質的飛躍。
  • 安翰科技真實畫像:一顆膠囊胃鏡的上市突圍
    近日，一組題為《科創板涉嫌欺詐發行第一股：「安翰科技的謊言」》的系列報導在網絡上傳播甚廣，針對醫療器械企業安翰科技在科創板上市提出質疑。這組報導以三篇為主，逐次遞進，對安翰科技進行全方位的質疑報導。
  • 特稿 如何讓深度學習突破數據瓶頸?這家創業公司直接挑戰生物神經元的計算模型
    」深度神經網絡的確從神經科學領域的研究中獲取了一些靈感，但其工作原理與人腦截然不同（誠然，我們對大腦的工作原理還沒有弄清楚），Yann LeCun 表示，他最不喜歡的對深度學習的定義就是「它像我們的大腦」，谷歌 Jeff Dean 認為深度神經網絡是對大腦神經網絡的簡單抽象，並非是模擬人類神經元如何工作。
  • 典型的深度學習算法(一):卷積神經網絡(CNN)
    通過上一篇文章，相信大家對深度學習的概念、原理已經有了大致了解，近期企通查將會對深度學習中的幾種典型算法進行介紹。在深度學習領域中，已經驗證的典型成熟算法有卷積神經網絡（CNN）、循環神經網絡（RNN）、生成對抗網絡（GAN）、深度強化學習（DRL）等，下面企通查將帶領大家對典型的深度學習算法之一——卷積神經網絡（CNN）一探究竟。
  • 10分鐘看懂全卷積神經網絡( FCN ):語義分割深度模型先驅
    2010年至今，神經網絡模型的崛起和深度學習的發展，主要涉及到幾種模型：當然，經過從技術和原理上考究，我們發現了一個特點，那就是當前最成功的圖像分割深度學習技術都是基於一個共同的先驅：FCN（Fully Convolutional Network，全卷積神經網絡）。
  • 深度學習元老Yann Lecun詳解卷積神經網絡
    註：卷積神經網絡（Convolutional Neural Network）是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋範圍內的周圍單元，對於大型圖像處理有出色表現。早在20世紀80年代末，Yann LeCun就作為貝爾實驗室的研究員提出了卷積網絡技術，並展示如何使用它來大幅度提高手寫識別能力。上世紀末本世紀初，當神經網絡失寵時Yann LeCun是少數幾名一直堅持的科學家之一。他於2003年成為紐約大學教授，並從此引領了深度學習的發展，目前任職於Facebook FAIR實驗室。
  • 卷積神經網絡預測模型:提前24個月預測ENSO
    羅京佳表示，「『阿爾法狗』用的深度神經網絡與傳統的神經網絡不一樣，它有很強大的自我學習能力。」通過不斷探索，研究團隊選取相對成熟的卷積神經網絡進行ENSO 預測。近年來，卷積神經網絡在多個方向得到應用，在語音識別、人臉識別、通用物體識別等方面均有突破。在人工智慧領域，它是比較成熟的方法，並且有很多的開源程序和網站，可以直接使用。「卷積神經網絡的優點是可以處理大量數據。
  • 深度 | 從AlexNet到殘差網絡,理解卷積神經網絡的不同架構
    這是深度學習背後的哲學，不存在內置硬編碼特徵提取器。它將提取和分類模塊整合進一個系統，它通過辨別不同圖像的表徵進行提取，根據監督數據進行分類。這樣的系統包括多層感知機，即多層神經元互相緊密相連的神經網絡。深度 vanilla 神經網絡就具備大量參數，因為缺乏充分的訓練樣本，它訓練出的系統會發生模型過擬合的情況。
  • IBM的8位浮點精度深度神經網絡模型解析
    簡而言之，IBM展示了專用於減少精度處理單元的定製硬體，以及能夠利用該硬體進行深度神經網絡(DNN)訓練和推理的新算法。8位浮點精度是16位浮點精度(FP16)的一半，而16位浮點精度自2015年以來一直是深度神經網絡工作的事實標準。(提議的硬體將依靠FP16來累積點積，而不是現在使用的FP32。)藉助於稍後介紹的新算法技術，IBM的研究人員表示，他們可以跨各種深度學習模型保持精確度。