健康保衛戰:深度學習在使用胸部X光照片預測疾病上的應用

2020-12-07 雷鋒網

想用智能算法分析一張胸腔的X光片嗎？美國的一群研究者們最近在這方面做出了一個相當有益的探索，可能對未來的應用和普及起到非常大的幫助。

貝塞斯達（美國馬裡蘭州中部城市）國立衛生研究院的研究者們開發出了一套基於深度學習的用來從胸腔X光照片中檢測疾病的算法框架。檢測完成後這套系統會在X光照片下附上詳細的說明，以便醫生向病人展示，以及更早的檢測出那些危險的疾病。

研究小組使用了NVIDIA的CUDA（統一計算設備架構）程序設計模型，並且是使用GPU來運行和提升他們的算法的，這些設備能幫助算法來定位疾病並且描述它當前的如位置、嚴重性、病灶大小和影響的器官等狀態。之所以使用GPU來進行計算，是因為GPU的運作原理非常符合深度學習程序所需要的特點：執行命令很有效率，並且能承擔巨量的並行計算，這使得程序可以同時開始大量的分析進程，加快學習的速度。

讓深度學習學會識別醫療圖片信息

圖像信息識別在深度學習方法得到進步後已經取得了巨大的進展。但是目前的大多數程序都是在利用公開可用的圖像來訓練那些可以給「自然」的圖片做上標註的神經網絡，比如說像寵物、自然景觀或者城市地標這樣的圖片——但沒有用醫療圖片的。

因為相比較起來，帶有詳細標註的醫療圖片構成的資料庫是很難得到的，而公開徵集X光片信息顯然也不可能。而一般人可以很明顯的從圖片中標記出樹、動物和建築這樣的信息。但識別出像心臟肥大症或者鈣化肉芽腫這樣的心肺疾病是需要專業知識的。

深度學習的基本應用結構

NIH研究者們開發的系統使用了一套結合了卷積神經網絡（CNNs）和時間遞歸神經網絡（RNNs）的組合來幫助整個系統識別並注釋X光照片代表的疾病/健康信息。首先是卷積神經網絡，由於其對大型圖像處理有著出色表現，所以研究者們使用它來初步判斷照片的信息。研究者們使用了一份公開的，包含了一萬份左右X光照片和報告的資料庫。從中提取出了17種大量出現的醫學名詞組合（也就是常出現的疾病）。試圖找出這些詞語與圖片之間的聯繫，以便CNNs在掃描圖像後能進行準確的歸類。

在進行分類後，時間遞歸神經網絡會接手，通過特定的算法為圖像加上標籤。這可能是時間遞歸神經網絡第一次被應用於檢測X光照片。

這幅圖是算法應用的幾個案例，其中綠色框內展現的是算法判斷的健康狀況，而黃色框內是真正的狀況，很顯然，越稀有的疾病由於用於學習的數據不足，會越難以判斷出來，圖片來源，NIH paper/NVIDIA's blog

這兩個用NVIDIA的cuDNN庫（NVIDIA開發的一個用於深度神經網絡的GPU加速庫）和火炬深度學習框架編寫出來的神經網絡程序產生了更豐富、更準確的圖像標註結果。

研究團隊開發的程序現在需要更進一步的訓練和更高的預測準確率，這樣醫院和診所才會被說服來採用它們。不過一旦這種自動注釋系統開始上線運行，醫生們的負擔不僅能夠得到有效的降低，還能任意搜索某種特定疾病的全部電子版X光照片了。

這套系統甚至可以幫助醫療資源有限的國家診斷大量患者的疾病或健康狀況，減輕他們的負擔。

via NVIDIA官方博客

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。

相關焦點

  • 謝國彤:疾病預測的機器學習、深度學習和經典回歸方法
    數據不均衡：很多疾病的發病率都不高，比如房顫患者發生腦卒中的平均概率是 10%，腦卒中患者出院後導致殘疾的平均概率是 4%。造成數據中正例相對較少，很不均衡，對機器學習算法的要求更高。疾病預測的主要方法疾病預測的主要方法可以簡單的分為經典回歸方法、機器學習方法和深度學習方法三大類。下面分別用三篇論文舉例介紹一下。
  • 胸部CT與胸部正位X光哪個好些?我們應該先做選擇?
    如果胸腔內出現囊性的腫塊，大量鈣化灶時，單純做個B超時會看到有大量的陰影，為了能夠確保診斷準確性，一般都會會建議患者做一次CT檢測或是胸部x片，這兩種都算是比較有針對性的影像學檢測。胸部CT和胸部正位x光片哪個更好？兩種胸部檢查方法具體區別？
  • Nature | 幹細胞圖片資料庫共享,深度學習預測細胞外觀
    導語： 如同世界上沒有兩片樹葉是相同的，也沒有兩個細胞是相同的。Allen細胞研究所的科學家們，用6000多幅幹細胞的螢光照片，展示了在細胞這樣的小小空間裡，如何別有洞天。這些圖像源自經基因編輯工具CRISPR改變的細胞系，通過深度學習分析而生成。不久的將來，該網站將允許研究人員預測可能預示癌症和其他疾病的細胞布局的變化。
  • 心臟病成為人們健康的「頭號殺手」,如果懷疑得病該做什麼檢查?
    在這個過程中，你的醫生將一根導管（一根又長又細、有彈性的管子）插入你手臂、腹股溝或頸部的血管中，然後把它穿到你的心臟上。醫生可以用導管 做冠狀動脈造影。這包括在導管中放入一種特殊類型的染料，這樣染料就可以通過你的血液流向你的心臟。然後你的醫生給你的心臟拍x光片。這種染料可以讓你的醫生在x光片上看到你的冠狀動脈，並檢查是否有冠狀動脈疾病（動脈斑塊堆積）。
  • 谷歌開發出的深度學習算法模型,可用於預測DNA鏈等亞細胞結構的變化
    眼睛是心靈的窗口，但從去年開始，谷歌的研究團隊就利用機器學習將眼睛轉化為檢查人體健康的「窗口」，他們通過算法分析人體的高精度3D視網膜照片發現，圖像裡面包含的信息可以用來判斷出一個人的血壓、年齡和吸菸狀況。
  • CellPress|單細胞技術和基於深度學習的藥物反應預測
    目前，深度學習模型已經能夠從大量複雜的序列數據中提取出特徵，用於預測藥物的反應。論文的作者總結了近來單細胞技術和基於深度學習方法的藥物敏感性預測模型。作者認為，通過利用大規模的序列數據，深度學習模型可以幫助我們更好的利用單細胞數據去完成藥物反應預測任務。下圖是單細胞數據結合深度學習模型的一個概述圖。
  • 深度| 變革的開始,深度學習將如何改變醫療成像領域?
    在這項工作中，從乳腺 X 光照片中提取包含活檢證實的腫塊或者正常組織的 ROIs（Region of Interests）。CNN 包含一個輸入層、兩個隱含層和一個輸出層以及使用的反向傳播。在這個前 GPU 時代，訓練時間被描述為「計算密集型」，但是卻沒有給出具體的時間。1993 年，CNN 被用於肺結節檢測 [5]。1995 年，CNN 被用於檢測乳腺 X 光照片上的微鈣化 [6]。
  • 胸部X光檢查的原理和適應症
    胸部X光檢查適應於哪些症狀呢？雖然，並非所有症狀都可以做X光檢查。但是，胸部X光的適應症還是較廣的。在這裡就與大家相互學習普及一下胸部X光檢查的原理和適應症，一起來了解了解吧。胸部X光檢查的原理在所有的X光檢查中，胸部X光檢查是最簡單的一種，它可為心臟與左右肺之間的縱隔等器官的疾病提供許多的資料。
  • 新的深度學習方法從胺基酸序列預測蛋白質結構
    現在，哈佛醫學院的一位科學家使用了一種稱為深度學習的人工智慧來預測基於其胺基酸序列的任何蛋白質的三維結構。系統生物學家Mohammed AlQuraishi於4月17日在Cell Systems上在線報導，詳細介紹了一種計算確定蛋白質結構的新方法 - 實現與當前最先進方法相當的精確度，但速度提高了一百萬倍。
  • 重視胸部CT診斷技術的發展及應用
    隨著各種軟硬體技術的飛速發展，CT在胸部疾病中的應用正經歷著日新月異的轉變。但是，CCTA陰性預測值高、陽性預測值低，特別是在冠狀動脈重度瀰漫性鈣化時無法準確判斷管腔內狹窄情況。冠狀動脈CT數字減影血管造影技術能明顯克服冠狀動脈嚴重鈣化和支架植入這兩個易導致CCTA陽性預測值低的問題，將CCTA對冠狀動脈支架的評價直徑推進至2.5 mm，同時將支架不能評估率從56%降至4%。
  • 一文探討可解釋深度學習技術在醫療圖像診斷中的應用
    然後，結合三篇文章具體分析了可解釋深度學習模型在醫療圖像分析中的應用。作為一種領先的人工智慧方法，深度學習應用於各種醫學診斷任務都是非常有效的，在某些方面甚至超過了人類專家。其中，一些計算機視覺方面的最新技術已經應用於醫學成像任務中，如阿爾茨海默病的分類、肺癌檢測、視網膜疾病檢測等。
  • 自然語言處理深度學習的7個應用
    然而，深度學習方法在一些特定的語言問題上取得了最新的成果。這不僅僅是深度學習模型在基準問題上的表現，基準問題也是最有趣的；事實上，一個單一的模型可以學習詞義和執行語言任務，從而消除了對專業手工製作方法渠道的需要。在這篇文章中，你會發現7個有趣的自然語言處理任務，也會了解深度學習方法取得的一些進展。
  • 人工智慧可預測患者壽命!精準度與醫生相當
    據連線雜誌報導，阿德萊德大學的研究者開展了一項史無前例的研究，使用人工智慧預測人類壽命，其精準度與醫生相當。人工智慧通過分析患者胸部影像預測未來五年內哪些病人會死亡，精確度為69%，與人類醫生判斷的精準度相當。
  • 人工智慧與生命科學:AI在醫療健康十大領域應用前景
    實踐表明，基於海量數據信息，通過深度學習預測藥物對不同疾病功效的準確率得到了顯著提升。　　2、輔助疾病診斷　　實際上，診斷就是數據分析過程，從基因序列到影像圖片分析，病人會產生大量數據，機器學習應需而生。通過AI分析技術與機器學習相互結合，極大地提高了醫療服務質量和預後。
  • 使用卷積神經網絡,構建圖像分類模型檢測肺炎
    來源 | DeepHub IMBA作者 | Eunjoo Byeon在本篇文章中，我將概述如何使用卷積神經網絡構建可靠的圖像分類模型，以便從胸部x光圖像中檢測肺炎的存在。肺炎是一種常見的感染，它使肺部的氣囊發炎，引起呼吸困難和發燒等症狀。
  • AI再出力,可通過胸部X光片檢測新冠
    上周，美國西北大學研究人員宣布，他們成功開發出一款新型人工智慧（AI）放射學工具，能夠通過胸部X光片檢測出COVID-19感染跡象。此項研究已經發表在《放射學》雜誌上，並指出該系統「對2214張測試圖像進行了分類，準確率為83%。」
  • 摺疊革命,深度學習通過胺基酸序列預測蛋白質結構
    因為，蛋白質外形決定了它的功能和疾病中產生的功能紊亂，並影響蛋白質在分子生物學的中心地位，特別是用於治療科學和治病保健等藥物的發展。近些年，蛋白質通過自身的胺基酸序列可以實現被預測，在計算方法上有了巨大進步。如果都能使用這些計算方法，那生物醫學研究都可以被轉換成計算公式。然而，現在一些應用則受到了蛋白質規模和範圍的局限而無法決策。
  • 騰訊天衍實驗室聯合微眾銀行研發醫療聯邦學習,讓腦卒中預測準確率...
    智東西4月20日消息，近日，騰訊天衍實驗室與微眾銀行共同研究表明，將聯邦學習與醫療深度融合對落地疾病預測領域有重大幫助。目前其已搭建基於聯邦學習技術的大數據集中與挖掘平臺，從落地案例來看，可將腦卒中預測準確率提升至80%。
  • 深度學習在3-D環境重建中的應用
    UnDeepVOUnDeepVO能夠通過使用深度神經網絡估計單目相機的6-DoF姿勢及其視野的深度。有兩個顯著特徵：一個是無監督深度學習方案，另一個是絕對的深度恢復。訓練UnDeepVO時，通過使用立體圖像對恢復尺度來，但測試時，使用連續的單眼圖像。UnDeepVO還是一個單目系統。
  • 使用深度學習分類並預測NSCLC組織病理學圖像
    在這項研究中，我們在從癌症基因組圖譜獲得的全幻燈片圖像上訓練了一個深度卷積神經網絡（初始v3），以準確和自動地將它們分類為LUAD，LUSC或正常肺組織。我們的模型在冷凍組織，福馬林固定的石蠟包埋組織和活組織檢查的獨立數據集上得到驗證。Furthermore, we trained the network to predict the ten most commonly mutated genes in LUAD.此外，我們訓練網絡預測LUAD中十個最常見的突變基因。