每周三期，詳解人工智慧產業解決方案，讓AI離你更近一步。解決方案均選自機器之心Pro行業資料庫。
方案1：唇語識別技術
解決方案簡介：
在非特定人開放口語測試集上，搜狗唇語識別系統已經達到60%以上的準確率，超過Google發布的英文唇語系統50%以上的準確率。在垂直場景如車載、智能家居等場景下，搜狗唇語識別系統甚至已經達到90%的準確率。
解決方案詳解：
通過機器視覺識別，不用聽聲音，僅靠識別說話人唇部動作，就能解讀說話者所說的內容。 唇語識別是一項基於機器視覺與自然語言處理於一體的技術，因此在研發難度上比語音識別大得多。
系統使用了複雜端到端深度神經網絡技術進行中文唇語序列建模，並通過數千小時的真實唇語數據訓練而成。
作為人機互動的形式之一，未來唇語識別技術可以輔助語音交互及圖像識別，在日常生活、安防、公益等各個領域實現廣泛應用。
例如在車載場景下，周圍噪音過大時會對語音指令產生幹擾，通過唇語識別技術則可以規避幹擾，保證人車交互的準確性和穩定性。
在安防領域，由於目前多數監控只有攝像頭沒有麥克風，給案情分析帶來很多難題，唇語識別技術可以幫助公安人員獲取重要的講話信息，為公共安全提供有效支持。
方案2：物流路線規劃技術
解決方案簡介：
根據趨勢進行預測，未來的物流體量可能會達到每日 10 億個包裹，配送難度非常大，純粹增加倉庫和分撥點難以完成物流任務。 企業使用人工智慧算法規劃物流路線，能使得物流過程更快速且更成本更低。
解決方案詳解：
菜鳥智能物流路線規劃是菜鳥網絡自主研發的車輛路徑優化算法，技術上融合了大規模鄰域搜索、超啟發式算法、基因算法、分布式並行化和增強學習，在公開數據集上，算法已全面超過廣泛使用的開源產品 Jsprit，在 Gehring & Homberger 數據集上 (客戶點規模達到 1000)，已經持平若干項世界紀錄。
方案3：阿茨海默症預測技術
解決方案簡介：
該算法可以在阿爾茲海默症狀出現前 10 年，發現由疾病引起的大腦微小的結構變化，以達到儘早檢測出阿爾茲海默症的目的。
解決方案詳解：
義大利巴裡大學的研究小組通過對 67 個核磁共振成像掃描來訓練模型，訓練集包含 38 個來自老年痴呆症患者的數據以及 29 個來自健康人的對照數據。
研究人員將掃描結果分成小區域，並使用模型分析神經元之間的連接。在訓練完成後，研究者通過對 148 個實驗對象的腦部掃描來測試這種算法。
此外，在算法的測試方面，研究人員對 48 名該病患者以及 48 名患有輕度認知障礙的人進行腦部掃描進行驗證，效果良好。算法能夠診斷出 85% 的老年痴呆症，檢測出輕微認知損傷的正確率能達到 84%，這項研究的意義在於，未來有可能為阿爾茲海默症病人爭取 10 年寶貴的治療和心理準備時間。
研究人員現在的測試數據僅限於在南加州大學阿爾茨海默症的神經成像項目資料庫，算法僅能在該資料庫內學習提升。
方案4：鼻咽癌放療臨床靶區自動勾畫技術
解決方案簡介：
鼻咽癌是華南地區的高發惡性腫瘤。因為頭部是人體的重要器官，手術治療風險大，故放療手段通常是首選。但醫生勾畫單個鼻咽癌患者的靶區，需要花費兩三個小時，看數百張 CT/MRI 影像，不但非常耗時，而且靶區勾畫的準確度與放療劑量選擇直接決定了患者的治療效果和生存率。
而在醫學影像領域裡面，只有三個場景具有光學圖像的特徵：肺小結節、眼底 OCT、細胞病理。其中細胞病理圖像的獲取成本比較高。
但大部分腫瘤沒有上述三個病種的特點，其圖像邊緣比較模糊（特別是在早期）、對比度較低，具有弱邊緣的特徵，弱邊緣的特性不是光學圖像所具有的。
因此，利用深度學習技術去做腫瘤可能會受限於數據。該產品通過機器學習方法，採用小樣本集數據訓練模型，並運用知識圖譜和深度學習的知識完成模型的訓練，可對 GTV（腫瘤區）和 CTV（臨床靶區）進行自動勾畫。在充分保證靶區勾畫精準度的前提下，可將勾畫時間從數小時縮短到幾分鐘，大大提高了臨床醫生的診療效率。
解決方案詳解：
在數據獲取方面，柏視醫療將其系統部署到合作醫院中，並不從醫院直接獲取數據，而是在院內訓練系統，從而獲得增強特徵數據集，利用這些特徵集再完善本身的系統模型，有效地保護醫院的數據隱私性，也解決了現有其他技術公司醫療數據獲取灰色地帶的問題。
所有數據均由中山大學附屬腫瘤醫院的主任醫師進行標註。該系統已嵌入 2017 RSNA 上，飛利浦發布的人工智慧平臺IntelliSpace Discovery 2.0。
方案5：AI 為癌細胞「染色」，輔助醫生選擇治療方案
解決方案簡介：
當人體內有了腫瘤，腫瘤浸潤淋巴細胞 (TIL)就會從血液中出發，前往腫瘤所在的地方，大量的 TIL 存在，就表示機體對抗腫瘤的免疫反應正在發生。
基於免疫原理的其中一類抗癌療法，便是通過發動 TIL，來讓它們殺死癌細胞。適用此類療法的癌症不在少數，黑色素瘤、肺癌、膀胱癌以及一部分腸癌，都對這類療法有所反應。而腫瘤科醫師，需要觀察病理切片，識別腫瘤組織的免疫特徵，從而判斷免疫療法對哪些病患比較有效。石溪大學團隊用深度學習算法來繪製腫瘤浸潤淋巴細胞（TIL）圖譜，讓一組卷積神經網絡 (CNN) 識別TIL的分布情況，便有可能為癌症診斷和治療方案的制定提供一些建議。 AI 為癌細胞殺手「染色」，可輔助醫生選擇治療方案。從實驗結果來看，AI 的「染色」和傳統 H&E 的染色區域雖不是完美重合，卻也達到了不錯的一致性。
解決方案詳解：
由石溪大學領銜的研究團隊，用深度學習算法來繪製 TIL 圖譜，讓一組卷積神經網絡 (CNN) 識別 TIL 的分布情況，便有可能為癌症診斷和治療方案的制定提供一些建議。
團隊提取了 13 種癌症 4,759 位患者的 5,455 幅數位化病理圖像。在訓練過程中，一位有經驗的病理學家要在圖像中標記 TIL 和壞死發生的區域。
這些訓練數據會被分成幾組，來餵養神經網絡，讓它學會給腫瘤切片中的 TIL「染色」，代替了傳統切片檢測中的蘇木精-伊紅 (H&E) 染色。然後，系統根據 TIL 數量和密度等簡單的數據，以及細胞群的屬性和圖像規律等複雜的細節，在臨床數據和基因組數據的輔助之下，將腫瘤進行分類，繪製一幅關係對應圖譜。圖譜包含了患者生存率、腫瘤亞型、免疫情況等各項指標與 TIL 之間的關係。這樣一來，醫生便可以根據 TIL 反應的強弱等多種因素，來判斷要不要採用基於免疫的治療方案。