醫(yī)學人工智能原理及實踐

醫(yī)學人工智能原理及實踐2019年04月19日目

錄010302學人工智能基礎醫(yī)學人工智能應用醫(yī)學人工智能實踐目標目標目標人工智能原理及課題合作方向醫(yī)學臨床問題解決方案基于平臺的可視化操作一、醫(yī)學人工智能基礎什么是人工智能-新技術熱點最近幾年新技術熱點變化機器人人工智能大數(shù)據(jù)云計算無人機VR/AR區(qū)塊鏈20182012新技術熱點詞匯人工智能機器人區(qū)塊鏈VR/ARVR/AR人臉識別CVNLP工業(yè)機器人協(xié)作機器人智能音箱AI+金融無人店智能客服語音助理AI+安防AI芯片機械外骨骼服務機器人定位導航并聯(lián)機器人SLAMVR游戲VR電影AR眼睛三維重建VR社交無線充電動力電池柔性電池氫燃料電池AI+醫(yī)療自動駕駛體驗店全息投影VR頭顯分布式電網太陽能光伏圖像檢測VR行業(yè)應用航空航天智能制造物聯(lián)網IOT光機電新材料民營火箭行業(yè)無人機工業(yè)物聯(lián)網工業(yè)大數(shù)據(jù)先進機床智能機器人智慧城市智慧交通智慧家居車聯(lián)網激光雷達微波雷達石墨烯高分子載人飛行器消費無人機消費無人機故障預測邊緣計算智能建筑深度攝像頭芯片復合材料柔性材料民營衛(wèi)星3D打印高精度定位傳感器海洋裝備軍民融合信息安全傳感檢測云計算大數(shù)據(jù)半導體無人船ROV什么是人工智能-人工智能定義人工智能（Artificial

Intelligence)簡稱AI,主要研究如何用人工的方法和技術，使用各種自動化機器或智能機器（主要指計算機）模仿、延伸和擴展人的智能，實現(xiàn)某些機器思維或腦力勞動自動化人工智能是一個很寬泛的概念，大體來說是對人的意識、思維信息過程的模擬。它企圖了解“智能”的實質，并且生產出一種能像人類一樣在不同環(huán)境下，能做出相應反應的“智能機器”。人類對自身“智能”的理解都非常有限，所以就很難定義什么是人工制造的“智能”。隨著科技的進步和人類對自身理解更加深刻，人工智能概念的邊界也在不斷地拓展。有關人工智能概念的不同表述Nils

J.

Nilsson

斯坦福大學計算機科學系教授人工智能是致力于讓機器變得智能的活動，而智能就是使實體在其環(huán)境中有遠見地、適當?shù)貙崿F(xiàn)功能性的能力。李開復

創(chuàng)新工場創(chuàng)始人兼CEO粗略來講，人工智能是獲取某種一領域（如貸款償還紀錄）的海量信息，并利用這些信息對具體案例（是否應給某人貸款）做出判斷，以達成某一特定目標（貸方利益最大化）的技術。楊銘

地平線機器人聯(lián)合創(chuàng)始人兼軟件副總裁人工智能就是學習和設計一種Intelligent

Agent，這個Agent本身能夠感知環(huán)境、采取行動和實現(xiàn)一定的目標。Agent指能夠執(zhí)行AI的載體，可能是大規(guī)模的、抽象的能夠實現(xiàn)上述功能的集合，有可能只是一些程序的集合。什么是人工智能-人工智能的研究目標強化學習監(jiān)督學習深度學習非監(jiān)督學習

弱人工智能：能夠模仿人腦的基本功能，感知、記憶、學習和決策等；擅長單個方面的人工智能。比如AlphaGO只會下圍棋，要讓它下國際象棋，一步都無法判斷。學習能力機器學習

強人工智能：需要結合情感、認知和推理等高階智能；LindaGottfredson把它定義為“一種寬泛的心里能力，能夠進行思考、計劃、解決問題、抽象思維、理解復雜理念、快速學習和從經驗中學習等操作”。文本生成問答語言能力感知能力自然語言處理語言文本分類機器翻譯語言轉換文本文本轉換語言

超級人工智能：其能力超過人類，而且能不斷進化和自我學習；Nick

Bostrom把它定義為“在幾乎所有領域都比最聰明的人類大腦都聰明很多，包括科學創(chuàng)新，通識和社交技能”。人類智能人工智能圖像識別圖像計算機視覺自動推理知識表示推理能力記憶能力規(guī)劃能力規(guī)劃能力

遠期目標：制造智能機器，使計算機像人一樣具有自動發(fā)現(xiàn)規(guī)律和利用規(guī)律的能力

近期目標：實現(xiàn)機器智能。即：部分地或某種程度地實現(xiàn)機器的智能什么是人工智能-人工智能發(fā)展里程1997年，IBM的超級計算機“深藍”戰(zhàn)勝了當時的國際象棋冠軍Garry

Kasparov，引起了世界的轟動。雖然它還不能證明人工智能可以像人一樣思考，但它證明了人工智能在推算及信息處理上要比人類更快。2012年6月，谷歌研究人員JeffDean和吳恩達從YouTube視頻中提取了1000萬個未標記的圖像，訓練一個由16，000個電腦處理器組成的龐大神經網絡。在沒有給出任何識別信息的情況下，人工智能通過深度學習算法準確的從中識別出了貓科動物的照片。1955年8月31日1969人類首次提出了反向傳播算法，1993年作家兼計算機科學家VernorVinge發(fā)表了一篇文章，在這篇文章中首次提到了人工智能的“奇點理論”。他認為未來某一天人工智能會超越人類，并且終結人類社會，主宰人類世界，被其稱為“即將到來的技術奇點”。JohnMcCarthy、MarvinMinsky、NathanielRochester和ClaudeShannon四位科學家聯(lián)名提交了一份《人工智能研究》的提案，首次提出了人工智能（AI）的概念，其中的JohnMcCarthy被后人尊稱為“人工智能之父”。20世紀60年代，麻省理工學院的一名研究人員發(fā)明了一個名為ELIZA的計算機心理治療師，可以幫助用戶和機器對話，緩解壓力和抑郁，這是語音助手最早的雛形。(Backpropagation），這是80年代的主流算法，同時也是機器學習歷史上最重要的算法之一，奠定了人工智能的基礎。2016年3月，谷歌AlphaGo4：1戰(zhàn)勝圍棋世界冠軍李世石，開啟了人工智能的新紀元。1943年，WarrenMcCulloch和Walter

Pitts兩位科學家提出了“神經網絡”的概念，正式開啟了AI的大門。多層神經網絡兩層神經網絡單層神經網絡神經元2012CNN第三次興起1986BP第二次興起1958Perceptron1995SVM2006DBN1969“AI

Winter”1982Hopfield第一次興起1943MP誕生

1949Hebb19702000201019401940196019801990非機器學習：機器學習：從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律深度學習：知識庫，規(guī)則引擎深度神經網絡什么是人工智能-人工智能三大要素：算法、計算和數(shù)據(jù)人機表深神工器征度經智學學學網能習習習絡主流的算法主要分為傳統(tǒng)的機器學習算法和神經網絡算法。神經網絡算法快速發(fā)展，近年來因為深度學習的發(fā)展到了高潮。什么是人工智能-人工智能三大要素：算法、計算和數(shù)據(jù)典型計算密度型任務功耗對標單精度浮點峰值計算能力功耗功耗比靈活性很高高（GFLOPS）（W）

（GFLPOS/W）CPUGPU擅長處理/控制復雜流133087401453009程，高功耗擅長處理簡單并行計算，高功耗29FPGAASIC可重復編程，低功低高性能，研發(fā)成本高，任務不可更改0.5900人工智能的發(fā)展對算力提出了更高的要求。以下是各種芯片的計算能力對比。其中GPU領先其他芯片在人工智能領域中用的最廣泛。GPU和CPU都擅長浮點計算，一般來說，GPU做浮點計算的能力是CPU的10倍左右。另外深度學習加速框架通過在GPU之上進行優(yōu)化，再次提升了GPU的計算性能，有利于加速神經網絡的計算。如：CUDNN具有可定制的數(shù)據(jù)布局，支持四維張量的靈活維度排序，跨步和子區(qū)域，用作所有例程的輸入和輸出。在卷積神經網絡的卷積運算中實現(xiàn)了矩陣運算，同時減少了內存，大大提升了神經網絡的性能。什么是人工智能-人工智能三大要素：算法、計算和數(shù)據(jù)如今這個時代，無時無刻不在產生大數(shù)據(jù)。移動設備、廉價的照相機、無處不在的傳感器等等積累的數(shù)據(jù)。這些數(shù)據(jù)形式多樣化，大部分都是非結構化數(shù)據(jù)。如果需要為人工智能算法所用，就需要進行大量的預處理過程。什么是人工智能-人工智能三大要素：算法、計算和數(shù)據(jù)拿車打比方，算法就像發(fā)動機；數(shù)據(jù)是油，提供動力；計算力就是車輪，驅動車輪前進。這三個要素缺一不可。數(shù)據(jù)：人工智能的智能都蘊含在大數(shù)據(jù)中。算法是實現(xiàn)人工智能的根本途徑，是挖掘數(shù)據(jù)智能的有效方法。算力為人工智能提供了基本的計算能力的支撐。人工智能在各行業(yè)的應用-人工智能產業(yè)鏈人工智能產業(yè)鏈在過去的5-10年，人工智能技術得以商業(yè)化，只要得益?zhèn)鞲衅鞯扔布r格快速下降，云服務的普及，以及GPU等芯片使大規(guī)模并行計算能力得以提升。人工智能產業(yè)在基礎設施層面的搭建已經基本形成個人助理無人駕駛智能安防智能金融機器人智能家居方案集成層智能醫(yī)療方案集成層應用技術層與其他技術相比，語音識別在技術和應用方面都已經較為成熟，谷歌、亞馬遜、蘋果、百度、阿里巴巴等巨頭的布局很深，科大訊飛等企業(yè)也顯示了良好的增長勢頭。另外計算機視覺尤其是人臉識別、自然語言處理等方向也將是技術和應用較快發(fā)展的領域。應用技術層計算機視覺自然語言處理半導體芯片語言識別云服務深度學習傳感器主要是把人工智能相關技術集成到自己的產品和服務中，然后切入特定場景（金融、家居、醫(yī)療、安防、車載等）。未來場景數(shù)據(jù)完成（信息化程度原本就比較高的行業(yè)或數(shù)據(jù)洼地行業(yè)）、反饋機制清晰、追求效率動力比較強的場景將率先實現(xiàn)AI技術的大規(guī)模商業(yè)化。目前看來，醫(yī)療、自動駕駛、安防、金融、營銷等領域是業(yè)內人士普遍看好的方向。基礎設施層大數(shù)據(jù)基礎設施層人工智能應用各個領域智能教育

2.2%智能安防

7.3%計算機視覺

24.1%智能醫(yī)療

3.6%語言識別

5.1%自然語言處理

13.9%

智能金融

14.6%智能機器人

28.5%

芯片

0.7%人工智能應用于醫(yī)療健康領域人工智能+醫(yī)療技術的解析-技術類型非機器學習：知識庫，規(guī)則引擎機器學習：從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律深度學習：深度神經網絡（實現(xiàn)機器學習的其中一種手段）人工智能+醫(yī)療技術的解析-機器學習TEP算法模型評估機器學習是數(shù)據(jù)通過算法構建出模型并對模型進行評估評估的性能如果達到要求就拿這個模型來測試其他的數(shù)據(jù)如果達不到要求就調整算法來重新建立模型，再次進行評估如此循環(huán)往復，最終獲得滿意的經驗來處理其他的數(shù)據(jù)人工智能+醫(yī)療技術的解析-機器學習類型介于監(jiān)督學習與無監(jiān)督學習之間一種機器學習方式，主要考慮如何利用少量的標注樣本和大量的未標注樣本進行訓練和分類的問題；首先試圖對未標識數(shù)據(jù)進行建模，在此基礎上再對標識的數(shù)據(jù)進行預測從給定的訓練數(shù)據(jù)集中學習一個函數(shù)（模型），當新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)(模型）預測結果；輸入數(shù)據(jù)被稱為“訓練數(shù)據(jù)”，每組訓練數(shù)據(jù)有一個明確的標識或結果。如，防垃圾郵件系統(tǒng)中“垃圾郵件”半監(jiān)督學習半監(jiān)督學習的效果難以保證，有時候甚至比僅僅用少量標注樣本訓練更差常見的監(jiān)督學習算法包括回歸分析和統(tǒng)計分類監(jiān)督學習強化學習無監(jiān)督學習數(shù)據(jù)并不被特別標識，學習模型是為了推斷出數(shù)據(jù)的一些內在結構，常見算法包括Apriori算法和k-means算法找到能夠使得長期累積獎賞最大化的策略，強化學習在某種意義上可以看作具有延遲標記信息的監(jiān)督學習問題常見的應用場景包括關聯(lián)規(guī)則的學習以及聚類與監(jiān)督式學習相同點：都有訓練集，且都有輸入和輸出應用場景：動態(tài)系統(tǒng)，機器人控制與監(jiān)督式學習不同點：訓練集目標是否被標注人工智能+醫(yī)療技術的解析-深度學習-醫(yī)學影像MedicalPhotographySurgeryPathologyRoboticsthe

structural

information

of

human

tissueanatomyPETSPECTMetabolicinformationof

human

tissue機器學習與深度學習的區(qū)別淺層神經網絡與深度學習神經網絡的區(qū)別醫(yī)學人工智能三要素之數(shù)據(jù)：X、Y的一對數(shù)據(jù)醫(yī)院從不缺少原始數(shù)據(jù)X，缺少的是與之對應的高質量標簽Y不同Y的類型對應不同的問題類型貓（分類）36cm長（回歸）醫(yī)學人工智能三要素之算法：機器學習算法的知識圖譜模型f1優(yōu)于f2監(jiān)督學習，數(shù)據(jù)組成是：原始數(shù)據(jù)X

+

標簽Y無監(jiān)督學習，數(shù)據(jù)組成是：原始數(shù)據(jù)X半監(jiān)督學習，數(shù)據(jù)組成是：原始數(shù)據(jù)X

+

部分標簽Y1、醫(yī)學人工智能問題實際上就是根據(jù)X、Y，采用某種算法，得到某種模型；2、給定一種算法，實際上確定了一組模型；3、再給定一套參數(shù)，實際上確定了一個模型；醫(yī)學人工智能三要素之算力：GPU（DGX1V）及天河二號超算TitanX-GPU已經比CPU快60倍；DGX-1V又比TitanX快10倍；DGX1V-GPU超級計算機完全滿足MRI、CT等3D影像處理需求醫(yī)學人工智能類項目或課題如何設計？1.

建議選擇影像類數(shù)據(jù)（CT、MR、US、X、PET、病理、心電圖、眼底圖、皮膚鏡圖等），因為AI在視覺領域技術最成熟，同時視覺包含的信息最多。2.

數(shù)據(jù)可以采用單模態(tài)，但越來越多的人用多模態(tài)、影像組學。3.

醫(yī)生需要確定項目擬解決的問題，同樣的數(shù)據(jù)，AI模型可用于解決不同的問題。4.不同的問題，不同的標簽Y，分類/回歸屬于圖片級標簽，病灶分割/器官分割屬于像素級標簽。5.

可參考RCT方法，針對治療組、對照組分別建模，進行療效預測、方案優(yōu)化。二、醫(yī)學人工智能應用醫(yī)療AI場景圖：根據(jù)技術能力結合臨床需求選擇切入點場景一：醫(yī)學影像識別場景二：分類預測場景三：可能性預測場景四：關聯(lián)預測挖掘疾病與生理指標之間的相關關系，探索不同的疾病在生理指標上的差異性比如：根據(jù)各項生理

檢查指標數(shù)據(jù)，判斷李四得了良性肺癌腫瘤；比如區(qū)分極易混淆的

病和

病。常用的場景之一。根據(jù)各種臨床數(shù)據(jù)預測，張三得某種病的概率為89%；某病人即將手術，預測其風險概率為45%；對各種疾病在各種合并癥上進行關聯(lián)規(guī)則分析，分析發(fā)生某一合并癥的條件下發(fā)生另一種合并癥的概率，探索合并癥的關聯(lián)關系及因果關系。對數(shù)據(jù)量有很大要求。自動學習惡性腫瘤細胞與正常細胞間的差異以及癌癥病情的分析和判斷標準，給出判斷結果。計算機還能發(fā)現(xiàn)人眼不易察覺的小細節(jié)，并總結出一些醫(yī)生意料之外的規(guī)律。最常用的場景之一場景六：聚類分析場景八：臨床提出場景五：病歷分析場景七：遷移學習采用文本挖掘技術，對病歷文本進行分析：醫(yī)保費用異常預警、醫(yī)保費用影響因素分析、醫(yī)保費用預測。運用深度學習最新的遷移學習，我們模型對醫(yī)療影像的識別正確率達到頂尖專家的水準，而且遷移到其它種類的疾病，能降低對訓練數(shù)據(jù)數(shù)量需求，同時識別也達到高水準從病歷文本中提取關鍵詞將同類型的病歷歸類利用索賠人基本信息、索賠理由、索賠歷史、結合索賠規(guī)則和算法等，做成賠付自動化系統(tǒng)，提高索賠準確性，降低欺詐索賠率提取某種病的共性主訴

診斷尋找相似病歷供醫(yī)生研判場景一：

gRNA切割效率預測1需求描述找出規(guī)律，篩選出切割效率高的gRNA234數(shù)據(jù)樣本量數(shù)據(jù)示例2700-3000

條gRNA基因名稱+gRNA序列+陽性率數(shù)據(jù)（切割效率數(shù)據(jù)）影響因素說明gRNA本身的序列特征：GC含量，重復結構，二級結構場景二：細胞狀態(tài)的好壞預測1234根據(jù)細胞圖片判斷動物的嵌合率和出生率需求描述數(shù)據(jù)樣本量數(shù)據(jù)示例2000張細胞圖片內部編號+克隆號+嵌合率+出生率影響因素說明克隆本身質量；操作原因。場景二：細胞狀態(tài)的好壞預測復蘇注射克

注射胚胎數(shù)

出生小鼠數(shù)注射日期內部編號

DNA名稱嵌合體數(shù)目

嵌合率出生率隆編號量量2018/3/13KI409-tsdmCx3c

r1mHrh

22A630.001.001.000.00100%0%3.33%0.00%2018/3/19

CK756-tsd3G930.000.00場景三：打靶位置對同源重組效率（PCR陽性率）的影響預測1234篩選出打靶效率高的位置需求描述數(shù)據(jù)樣本量數(shù)據(jù)示例2700-3000載體序列基因名稱+載體序列+陽性率數(shù)據(jù)影響因素說明同源臂的序列特征：GC含量，重復序列，二級結構場景四：遷移學習降低訓練數(shù)據(jù)數(shù)量運用深度學習最新的遷移學習，我們模型對醫(yī)療影像的識別正確率達到頂尖專家的水準，而且遷移到其它種類的疾病，能降低對訓練數(shù)據(jù)數(shù)量需求，同時識別也達到高水準Fig.1

深度學習之遷移學習原理圖場景四：遷移學習降低訓練數(shù)據(jù)數(shù)量對眼科4種類型AI識別正確率95.4%遷移這種能力，用少量肺部標記影像做訓練，對小兒肺炎識別正確率達到91.1%，足夠的正確率將大大減輕醫(yī)生工作量Virus（病毒）Bacteria（細菌）Normal具體落地產品1：虛擬助理語義理解語音識別1.醫(yī)生將使用

AI

虛擬助手（例如使用類似于Apple

Siri的軟件工具，但專門針對特定的醫(yī)療應用程序）進行練習。2.

AI

虛擬助理將通過持續(xù)和實時的智能建議來支持患者和健康人員進行健康維護。3、以前只能在醫(yī)院使用的醫(yī)療設備將出現(xiàn)在家庭里，可以進行更精確和及時的監(jiān)測。4、基于從現(xiàn)有的和廣泛采用的數(shù)字設備（如智能手機）中收集的數(shù)據(jù)，未來將出現(xiàn)負擔得起的診斷和治療疾病的新工具。5、機器人和家庭

AI

系統(tǒng)將幫助獨立生活的患者。具體落地產品2：醫(yī)學影像識別食

管

癌

的

早

期

治

療骨齡智能診斷系統(tǒng)宮

頸

癌

、

乳

腺

癌《促進新一代人工智能產業(yè)發(fā)展三年行動計劃（2018-2020年）》醫(yī)療影像輔助診斷系統(tǒng)方面，到2020年，國內先進的多模態(tài)醫(yī)學影像輔助診斷系統(tǒng)對以上典型疾病的檢出率超過95%，假陰性率低于1%，假陽性率低于5%。肺癌影像診斷肺結節(jié)檢查糖網病醫(yī)學影像處理具體落地產品3：電子病歷與文獻分析原理與應用1、知識抽取2、

知識融合3、知識推理4、質量評估具體落地產品4：藥物研發(fā)傳統(tǒng)藥物研發(fā)存在巨大的痛點，研發(fā)周期長、成功率低，而人工智能與基于藥物臨床試驗計算機模擬技術（CTS）的結合可能極大地提高新藥研發(fā)效率，降低企業(yè)成本。具體落地產品5：輔助診療系統(tǒng)傳感器數(shù)據(jù)病歷數(shù)據(jù)診斷結果舌

診舌診：脈診：面診：手診：輔助診療系統(tǒng)圖像處理機器學習輸出知識圖譜深度學習自然語言處理面

診三、醫(yī)學人工智能實踐實例演示-乳腺腫瘤診斷預測（良性/惡性）原始數(shù)據(jù)：在乳腺癌診斷中，特征包括癌細胞的半徑，光滑度，面積等ABcDEFGH1JKLid

diagnosis842302

M842517

M84300903

M84348301

M84358402

M843786

M844359

M84458202

M844981

M84501001

M845636

M84610002

M846226

M846381

M84667401

M84799002

M848406

M84862001

M849014

M8510426

B8510653

B8510824

B8511133

M851509

M852552

M852631

M852763

M852781

M852973

M853201

M853401

M853612

M85382601

M854002

M854039

M854253

M854268

M854941

Bradiustextureperimeterarea122.8132.9130smoothness

compactness

concavity

concave

points

symmetryfractal

dimension17.9910.3810010.11840.084740.10960.14250.10030.12780.094630.11890.12730.11860.082060.09710.09740.084010.11310.11390.098670.1170.27760.078640.15990.28390.13280.170.30010.08690.19740.24140.1980.14710.070170.12790.24190.18120.20690.25970.18090.20870.17940.21960.2350.078710.056670.059990.097440.058830.076130.057420.074510.073890.082430.056970.060820.07820.5719.6911.4220.2912.4518.2513.711317.7721.2520.3814.3415.713261203386.11297477.11040577.9519.8475.9797.878177.58135.182.57119.690.20.10520.10430.15780.11270.080890.07419.9820.8321.8224.0423.2417.8924.80.1090.1645

0.093660.059850.093530.085430.033230.066060.111887.50.19320.23960.18590.227312.4616.0215.7819.1715.8513.7314.5414.6816.1319.8113.5413.089.50415.3421.1616.6517.1414.5818.6115.383.97102.7103.6132.4103.793.60.2030.06669

0.032990.1292

0.099540.15280.18420.23970.18470.20690.23030.15860.21640.15820.18850.19670.18150.25210.17690.19950.3041123782.7578.3658.8684.5798.81260566.35200.24580.206523.9522.6127.5420.1320.6822.1514.3615.7112.4414.2623.0421.3816.40.1002

0.099380.053640.080250.073640.052590.10280.053380.076820.070770.059220.073560.053950.057660.068110.069050.070320.052780.06330.22930.15950.21280.163996.7394.74108.11300.072

0.073950.20220.10270.17220.14790.098310.097790.10750.10240.10730.094280.11210.11860.10540.09440.10820.098470.10640.11090.11970.094010.1040.094980.047810.031187.4685.6360.34102.5137.21100.08129

0.066640.127

0.04568273.9704.41404904.6912.7644.81094732.4955.11088440.6899.31162807.2869.56330.06492

0.029560.020760.097560.086320.09170.21350.10220.14570.22760.18680.10660.16970.20770.10970.15250.22290.14250.1491160.14010.074130.069240.056990.065421.5320.2525.2715.0525.1118.797.41122.1102.41150.087830.077310.087510.079530.12440.22520.16970.19260.17390.21830.23010.22480.18530.19980.18960.18850.14670.15650.1720.168317.5718.6311.8417.0219.2716.1316