侵权投诉
技术:
GPU/CPU 传感器 基础元器件 网络通信 显示 交互技术 电源管理 材料 操作系统 APP 云技术 大数据 人工智能 制造 其它
应用:
可穿戴设备 智能家居 VR/AR 机器人 无人机 手机数码 汽车 平衡车/自行车 医疗健康 运动设备 美颜塑身 早教/玩具 安防监控 智能照明 其它
当前位置:

OFweek智能硬件网

人工智能

正文

中国或成为医疗AI的最佳落地点

导读: 本文综合了会场演讲、论坛和新智元对斯坦福医疗AI专家邢磊的专访内容,让我们破除迷信,跟随AI技术大牛和医疗行业大拿一起揭开中国医疗AI之现状。

本文综合了会场演讲、论坛和新智元对斯坦福医疗AI专家邢磊的专访内容,让我们破除迷信,跟随AI技术大牛和医疗行业大拿一起揭开中国医疗AI之现状。

强化深度学习:医疗AI最有前途的技术?

自从2012年深度学习技术被引入到图像识别数据集ImageNet(做为测试标准),其识别率近年屡创新高,并且在某些领域如图像分类等方面达到人类水平。深度学习技术加上医疗影像领域累积多年的数据,给这一领域带来了令人惊喜的突破。

新智元曾经报道过斯坦福的研究人员发布在Nature上的研究,CNN做皮肤癌诊断,与21位皮肤科医生对比测试,结果系统的精确度与人类医生相当(“至少”91%)。还有JAMA上发布的利用CNN对糖尿病视网膜病变的诊断,结果表明,其算法的性能与眼科医生的性能一致。

CNN在医学上的应用可谓在顶级刊物上连放大招,那么深度学习技术是医学影像领域效果最好的技术吗?

斯坦福大学邢磊教授告诉新智元:深度学习及强化深度学习,代表目前新潮的技术,它们能解决很多以前不能解决的问题,把医疗AI推向新的高潮。

强化深度学习在2016年初AlphaGo对战李世乭中大放异彩。AlphaGo学习棋谱到了一定程度,就可在和对手及自己对弈的大量棋局中,使用强化学习来进一步改善它,这可以说是它不断超越自己,最终战胜人类冠军的关键所在。作为一种有效的机器学习方法,强化学习主要研究在特定情境或环境下的操作方式,使得奖励信号最大化。同样在医疗AI的决策过程中,一个程序操作会常会影响其接收到的数据,不同的操作中程序会接受到不同的输入信息。强化学习可找出决策或操作的最优方案,以获得最大的奖励。

邢磊博士介绍,其实在深度学习之前,大约在90年代,就已有很多人做计算机辅助诊断(CAD)。之前神经网络做不深,现在有了新型计算机和深度学习之后,可以实现很深的网络。但是就以皮肤癌的诊断为例,目前在临床上还没有真正意义上的大规模的应用。基于深度学习的诊断尚处于研发阶段。但以现在的研发速度来看,这些新技术离临床应用已经并不十分遥远了。

另外,深度学习并不是在所有场景下都需要。这跟具体遇到的问题有关,有时候一般的机器学习技术已经够用。新的算法可以说是层出不穷,日新月异。把不同的算法结合起来也是AI的领域常用的方法。

动态不确定因果图:诊断各种疾病

人工智能不止是深度学习,也不止是大数据,张勤教授深以为然。他通过多年研究,提出了一套动态不确定因果图DUCG(DynamicUncertain Causality Graph)理论,用于因果知识的图形表达和推理。DUCG克服了贝叶斯网络的简洁表达和推理模型只适用于单赋值情况,不适用于多赋值和逻辑循环等情况的问题。

张勤教授创立动态不确定因果图的本意是为了解决核电站的在线故障诊断,因为核电故障数据极少,诊断要求高(要诊断从未出现过的故障),必须充分利用领域专家知识才行。核电站有数千甚至数万个实时动态信号,故障发展迅速,要求DUCG能够在秒级对众多信号(其中可能存在虚假信号)进行动态推理,高效准确地诊断故障,为提升核电站的安全性和经济效益提供智能技术支持。他的团队迄今已取得上百起故障诊断实验100%的成功率,无一失手。现已用于核电站和卫星系统的故障监测和诊断。

1  2  3  下一页>  
声明: 本文由入驻OFweek公众平台的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

我来说两句

(共0条评论,0人参与)

请输入评论

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码: