人工智能在医疗领域的实践精选
导读：随着机器学习的不断发展，医疗领域也在发生巨大的变革，下面我们将对人工智能在医疗领域的实践做一个简单的介绍。
“数据挖掘即为深入分析数据直到得出满意结果的过程” -----佩德罗·多明戈（PedroDomingos）
（1）结肠镜息肉检测
结肠直肠癌患者的死亡率极高，居世界死亡率第三位。大约在50年前，医生开始用结肠镜检查结肠息肉，然后再对可能是癌性的息肉进行活检（毕竟不是所有的息肉都是癌性的），以诊断结肠癌。
但是以上过程依赖于人眼判断，错误往往难以避免。医生有可能会漏掉带有癌性的息肉，也有可能会将这些息肉活检为良性。鉴于此，一批来自于加拿大蒙特利尔（Montreal）市的研究人员创建了一个决策支持系统（Decision Support System）。该系统能够利用深度学习技术智能鉴别息肉，并根据其视觉外观预测病理结果。
相关论文：《一种结肠镜图像的腔内场景分割基准》
阅读链接：https://arxiv.org/pdf/1612.00799.pdf
Video sequence 结肠镜捕捉的图像序列
Polypsegmentation 场景分割
Polyp region analysis 息肉检测
Histologyprediction 病理检测
a)结肠镜图像及标记：蓝色表示内腔，红色表示背景（黏膜壁），绿色表示息肉
b)用于结肠镜检测的决策支持系统流程图
（2）呼吸分析法问诊
我们的呼吸里包含很多对诊断疾病有用的信息。每次呼吸中都含有很多分子，这些分子能为我们提供某些疾病的病发信号。目前，对呼吸分析法的研究日益火爆，借此开发用于各种疾病（如癌症和肺部疾病）的非进入式诊断工具将是未来的一个趋势。
在某项研究中，研究人员使用了SVM分类器（SupportVector Machines）对肺病患者进行诊断。首先，运用激光光声光谱法（laser photoacoustic spectroscopy method）将呼出的空气转化为数据点；然后，将数据输入神经网络进行特征提取。未来的疾病筛查可能远比你想的简单。因此，大方的进行呼吸吧！
相关论文：《基于使用SVM和神经网络对呼出气体吸收光谱进行分析的支气管肺部疾病患者诊断》
阅读链接：http://proceedings.spiedigitallibrary.org/mobile/proceeding.aspx?articleid=2589500
Breathanalysis 呼吸分析
Histology prediction 病理检测
（3）灵活的假肢
重构手臂的方法通常有两种：活体移植和安装假肢。虽然每种选择都有其优缺点，但是安装假肢的方法会更普遍一些，相比活体移植，其排异反应更少，相关的成本也更低。
重构一只能完成各项任务的手臂是极具挑战的。在某项研究中，研究人员运用他们称为“默认学习系统（Tacit Learning System）”的机器学习方法，依靠算法来学习和解释肌电信号，最终完成某些手部运动。其中，这个学习系统可以自适应姿势和环境的变化，提高假肢整体的灵活性。
相关论文：《借助“默认学习系统”完成生物力学重构：用直觉控制假肢旋转》
阅读链接：http://journal.frontiersin.org/article/10.3389/fnbot.2016.00019/full
（4）超声波预测肝纤维化
肝纤维化是由能损伤肝脏的疾病引起的，包括肥胖、酒精中毒、肝炎以及所有能够导致炎症反复发作的疾病。
反复的炎症会形成瘢痕，降低肝脏功能，最终可能需要肝脏移植。
活检是目前诊断肝纤维化程度最有效的办法。但肝活检不但价格昂贵，而且需要进行手术，具有潜在的生命危险，与此同时，在活体样本采集上也容易出现误差。
另一方面，评估肝纤维化程度的非侵入性方法变得越来越流行。在一项研究中，研究人员将多普勒超声波数据与人工神经网络结合，创建了一个肝纤维化的预测模型。非侵入式超声波检测很可能成为未来肝纤维化诊断和检测的趋势。
相关论文：《多普勒超声波结合瞬时弹性成像技术改善慢性肝病患者的纤维化程度非侵入式检测》
阅读链接：http://medultrason.ro/medultrason/index.php/medultrason/article/viewFile/921/865
图中文字对译：
Stages of liver damage 肝损伤过程图
Healthy Liver 健康肝
Fatty Liver 脂肪肝
Fatdeposits cause liver enlargement 脂肪沉积物引起肝肿大
Liver Fibrosis 肝纤维化
Scar tissue forms 瘢痕组织形成
Cirrhosis 肝硬化
Connective tissue growth destroys cells 结缔组织生长破坏细胞结构
（5）早期前列腺癌诊断
前列腺癌是一种发病缓慢的疾病，每年约有数百万男性确诊。发现的越早，用药物治疗的效果越好，越能避免手术治疗。血液生物标记物（blood biomarker）是目前用于诊断前列腺癌的主要手段，然而它有时并不准确。因此，开发基于核磁共振（MRI）的前列腺癌检测新技术，以提供更准确和更有效的诊断方法是非常有意义的。在一项研究中，研究人员使用了广义高斯-马尔可夫随机场（GGMRF，Generalized Gauss-Markov RandomField）图像模型，对用于诊断前列腺癌的MRI图像进行分类。
相关论文：《用于早期前列腺癌检测的计算机辅助诊断工具》
阅读链接：http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7532843
图中文字对译：
Input DW-MRI images 输入DW-MRI图像
Prostate Segmentation 前列腺分割
NMFbased level-set segmentation 基于非矩阵分解算法（NMF）的水平集分割
ADC after GGMRF 将计算结果送入GGMRF图像模型
Benign 良性
Malignant恶性
（6）深度安全驱动器：机器学习监督安全驾驶
青少年意外死亡的主要原因是什么？
车祸。
在如今这个快节奏的时代，监督意识对所有活动的安全保障均至关重要。在一篇论文中，研究人员提出了一个系统，这个系统通过对驾驶员图像进行算法解释，以评估空间感知和安全性。其中比较关键的因素有：（1）驾驶员手的位置；（2）是否系有安全带。
相关论文：《DeepSafeDrive：一种用于解析驾驶员行为情境感知（DB-SAW，DriverBehavioral Situational Awareness）的语法感知算法》
阅读链接：http://www.sciencedirect.com/science/article/pii/S0031320316303867
图中文字对译：
Driver parsing on the SHRP-2 database 基于SHRP-2数据库的算法测试
A) inputimages 输入图像
B) seatbelt segmentation results using SDS 使用SDS的安全带分割结果
C) probabilitymaps for seat using our proposed GDP 使用GDP特征获得的安全带概率图
D) seatbelt segmenting results in the GDP 由GDP强度主导的安全带分割结果
作者：乔纳森·凯尼伍斯基（Jonathan Kanevsky）
编译： AI100
原文地址： https://iot-for-all.com/artificial-intelligence-in-health-care-weekly-roundup-6-2684c040f1e1#.yuc2g37tn https://iot-for-all.com/artificial-intelligence-in-health-care-weekly-roundup-7-96c048b49890#.on56712r5
查看更多AI最新头条，请访问 AI100 微信公众号：
点击↙阅读原文↙查看更多资讯