最酷炫的跨界，人工智能将高效诊断癌症！

近年来，借助“深度学习（Deep Learning）”的“图像识别技术”得以迅速发展！人工智能的火爆，AlphaGo的成名，以至于各种图像、语音识别技术的突飞猛进，都离不开这几年Deep Learning级数的大发展。

在图像分析方面，比如人们熟悉的人脸识别、文字识别和大规模图像分类等，深度学习大幅提升了复杂任务分类的准确率，使得图像识别、语音识别以及语义理解准确率大幅提升。

目前的大多数程序都是利用公开可用的图像来训练那些可以给图片做上标注的神经网络，比如说像宠物、自然景观或者城市地标等等这样的图片。但是，目前深度学习在医疗诊断上的应用才刚刚起步。

人工智能将快速高效诊断癌症！

1

马克·扎克伯格提供了未来 App 的一条线索，就是可以更早、更快地诊断出疾病。他提到一个 App，当有了智能手机拍摄的照片和人工智能的增强算法，这个App就可以比任何一个医生都能更好地诊断皮肤癌了。

有一款名叫DermaCompare应用，它就是通过云人工智能技术，利用手机摄像头对全身进行摄影，从而进行自我皮肤的检查（当然隐私很重要哦！）。

2

美国新兴企业Enlitic就将深度学习运用到了癌症等恶性肿瘤的检测中。该公司开发的系统对癌症的检出率明显高于放射技师。

Enlitic要挑战的图像识别是：从X光、CT扫描、超声波检查、MRI等的图像中找出癌症等恶性肿瘤。X光照片的分辨率为纵3000×横2000像素，而恶性肿瘤的尺寸约为纵3×横3像素。可以想象，在这么大的一个图像上判断一个很小的阴影状物体是不是恶性肿瘤，这是一个相当艰难的任务。

Enlitic使用深度学习的“卷积神经网络”方法开发从X光照片及CT扫描图像上识别恶性肿瘤的软件，卷积神经网络利用放射技师检查过的有无恶性肿瘤及肿瘤位置等大量的医疗图像数据进行机器学习和训练，自动总结出代表恶性肿瘤形状等的“特征”，以及重视哪些特征能够判断有无恶性肿瘤等“模式”。之后将深度学习找出的模式应用于新的医疗图像，就可知道图像中是否存在恶性肿瘤了。

Enlitic使用肺癌相关图像数据库“LIDC（Lung Image Database Consortium）”和“NLST（National Lung Screening Trial）”进行了验证，结果发现，这一系统检出肺癌的精度比一名放射技师的精度高5成以上。

人类放射科医生有7%的假阴性率（漏掉癌症诊断的概率），而 Enlitic的人工智能的假阴性率为0；人类放射科医生有66% 假阳性率（误诊为癌症），而 Enlitic 人工智能相应的结果为 47%。这意味着人工智能的表现显著优于我们人类。

3

贝塞斯达国立卫生研究院的研究者们为了更早更快地检测出疾病，他们开发了一套基于深度学习从胸腔X光照片中检测疾病的算法框架，检测完成后这套系统还会在X光照片下附上详细的说明。

然而，带有详细标注的医疗图片的数据库是很难得到的，而公开征集X光片信息显然也是很困难的。因此，这为系统的开发带来了不小的挑战和难度。因为训练系统的数据越少，做出判断的准确率就越低。研究者们从一个包含了1万份左右X光照片和报告的公开数据库里，提取了17种大量出现的医学名词组合，并试图找出这些词语与图片之间的联系。

NIH研究者们开发的系统结合了卷积神经网络和时间递归神经网络来帮助整个系统识别并注释X光照片信息。首先，通过卷积神经网络来初步判断照片的信息，从而对图片进行准确的归类。然后，时间递归神经网络通过特定的算法为图像加上标签（ps：这可能是时间递归神经网络第一次被应用于检测X光照片）。

目前，这个程序仍需要通过进一步的训练来提高预测的准确率。一旦这个系统上线运行，不仅能有效降低医生们的负担，还能任意搜索某种特定疾病全部电子版的X光照片。

4

病理学家将一系列标准化的癌症标记物使用乳腺切片组织上，然后使用显微镜观察标记情况，从而定乳腺组织中是否含有癌细胞。美国每年会有160万女性会做乳腺切片检查。

但是根据调查，病理学家们对多达25%的病例持有不同的意见。为了解决这个问题，Smart Imaging Technologies公司开发了一个基于深度学习的视觉识别全自动应用（Smart IHC?），它可以帮助病理学家快速一致地对乳腺癌标记物进行评分。

Smart IHC?应用可以全自动识别出标记物的种类，并且对切片上所有的组织区域进行适当的评分，整个过程仅在2-6分钟内完成。

5

香港中文大学团队将研究重点放在全球第三大最常见的癌症——大肠癌上。过去病理学家使用显微镜来检查组织，除了旷日费时外，还有可能发生失误。日前，他们的研究成果——通过GPU加速的深度学习技术判断恶性肿瘤，这项技术比CPU快100倍，并在全球最大的医学影像计算与计算机（MICCAI 2015）会议举办的竞赛上获得头等荣誉。

他们使用NVIDIA GPU加速的深度学习技术，通过使用已知异常处的影像迅速训练计算机，然后再利用训练结果分割组织里的各个腺体，从而区分出不同的细胞，并判断与其它细胞的相对尺寸、形状和位置。通过计算这些测量结果，病理学家就可以判断出现恶性肿瘤是否存在的可能性。

6

基于血样识别癌症非常困难。通常，医生将化学物质加入血样，使癌细胞变得可见，但是这会使得血样不能再用于其他测试。

目前加利福尼亚大学的研究人员将人工智能算法和光激性时间伸缩显微镜相结合，用一些已经被分析过的图像来训练计算机程序，从而以非破坏性的方式识别出血样中的癌细胞。在经过若干轮测试之后，他们的技术比现有的分析技术要好17%。

结尾：

八姐诧异的是，一款手机App应用就能帮助我们诊断疾病，一个人工智能应用程序就能帮助我们高效快速地诊断癌症，难道我们真的要生活在“科幻大片”里了吗？？？！！！

备注：本文为麦仑科技原创，转载请注明来源。