当医学影像分析遇上机器学习，会发生什么？

笔墨苍炎

医学影像助力阻击疫情
随着医学成像技术和计算机技术的不断发展和进步，医学图像分析已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段。
可以看到， 2020年初新型冠状病毒（2019-nCoV）感染所致的肺炎疫情来势汹汹，新冠肺炎患者确诊和疑似筛查成为疫情控制的重要工作之一。而医学影像诊断在抗疫过程中发挥了重大作用，同时，人工智能辅助诊断也助力医生更好地利用影像诊断抗击疫情。

阿里表示，达摩院医疗AI可在20秒内对肺部影像进行病理诊断，准确率达到96%
关于人工智能，我们一直听到它将对日常生活产生重要的影响。而如今，计算机已经可以像人类一样准确地处理图像与视频，甚至比人类表现还要好。这些突破主要来自深度学习。
医学影像数据是医生诊断必不可少的“证据”
现代医疗体系中，医生执行复杂治疗过程中的每个行为步骤，都依赖于大量的快速思考和决策。医学的认知，其实很多是来自于医生的经验总结，很多病理，甚至很多认为已经清楚的病理，其实是医生经验总结碰巧遇到了比较多的印证病例。这也是现代医学极大依赖循证研究方法的原因，而循证研究对于人的依赖，注定了其受人的偏见影响极大。
虽然尽可能地用统计学来降低这些偏见所带来的偏移，在临床试验中有良好的效果，但是临床试验本身就受到样本量和医学证据的限制。而医学影像是不多的极为客观和稳定的医学证据。

据统计，目前医疗数据中有超过90％来自医学影像，医学影像数据已经成为医生诊断必不可少的“证据”之一。医学图像分析已广泛应用于良恶性肿瘤、脑功能与精神障碍、心脑血管疾病等重大疾病的临床辅助筛查、诊断、分级、治疗决策与引导、疗效评估等方面。
为什么需要生物医学影像分析？
生物医学影像是在不同尺度（即微观、宏观等）下对人体进行的测量。它们具有多种成像模式（如 CT 扫描仪、超声机等）并测量人体的物理特性（如放射强度、对 X 射线的不透明度）。这些影像由临床任务（如诊断）的领域专家（如放射科医师）解释并对医生的决策具有重大影响。生物医学影像通常为体积影像 (3D)，有时还会加上时间维度 (4D) 和/或多个通道 (4-5D)（如多序列 MR 影像）。
生物医学影像中的差异与自然影像（如照片）中的差异完全不同，因为临床方案的目的是对影像的采集方式进行分层（例如，患者平躺、头部保持正直，等等）。在影像分析过程中，我们的目标是发现细微差异（即一些小区域表明发现异常）。

为什么采用计算机视觉和机器学习？
长期以来，计算机视觉方法一直用于自动分析生物医学影像。近年来，随着深度学习的出现，许多其他机器学习方法被取代，因为深度学习免去了创建手工工程特征的必要，从过程中消除了一个关键的误差来源。此外，完全采用 GPU 加速的网络可以实现快速推断，让分析的数据量得到前所未有的增加。
2018年夏天，这一领域的学术大牛们在NIH（美国国家卫生研究院）总部所在的美国马里兰州贝塞斯达举行会议，讨论医疗影像AI未来的发展方向和路线。经过讨论，大咖们确定了针对医学影像的机器学习方法为医疗影像AI未来的5大发展方向之一。
目前国内知名的阿里医疗、腾讯优图都有专门做AI医疗。未来智能问诊、互联网医疗中，很大一部分会是医学图像的AI解读。此外，生物医学图像处理还有一个很大的潜在爆发需求，就是各种生物学实验的成像分析。比如荧光蛋白成像等分割分类等。因此，计算机视觉和机器学习在医学影像分析中的应用具有很大的未来发展空间。如果你对改善人类健康感兴趣，投入这个领域将会是不错的选择。
8月30日（本周日）下午20:00，CIS科研社将邀请牛津大学工程终身教授Jens Ritthscher带来一场关于计算机视觉和机器学习在医学影像分析中的应用知识分享讲座，如果你对医疗AI/医疗影像AI、生物信息工程、计算机视觉、药物开发等感兴趣，这将是你开拓眼界、获取新知的绝佳机会！

添加科研君（cis-research）
发送0830+姓名+电话立即报名抢位！

来源：https://www.bilibili.com/read/cv7372801
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！