深度学习在医学影像中的应用

1895年，德国物理学家威廉伦琴(Wilhelm Rontgen)给妻子安娜(Anna)拍了一张手部x光片。“我亲眼目睹了自己的死亡，”她说。医学成像在100多年前首次出现时就打破了范式，而在过去几年中不断发展的深度学习医学应用似乎准备再次将我们带出目前的现实，并在该领域开辟新的可能性。

如图所示，人工智能(AI)在成像和诊断领域的交易在2015年达到顶峰，并继续保持稳定。2015年1月之后，三分之一的医疗人工智能初创企业在筹集风险资本时，一直在从事成像和诊断方面的工作，80%的融资交易发生在之后。例如，Enlitic，一家利用深度学习进行医学图像诊断的初创公司，在2015年从Capitol Health筹集了1000万美元的资金。

IBM研究人员估计，医疗图像目前至少占所有医疗数据的90%，是医疗行业最大的数据源。当你考虑到一些医院急诊室的放射科医生每天都要面对数以千计的图像时，这在人类的尺度上已经是一个巨大的数字了。因此，需要新的方法来更有效地从这些图像中提取和表示数据。

尽管早期最常见的医疗机器学习应用之一实际上是在医学成像领域，但直到最近才引入能够从示例和先验知识中学习的深度学习算法。尽管我们还没有达到规模，但这些技术正通过基于深度学习的医学成像，使社会更接近更准确、更快的诊断。

目前深度学习医学在影像学中的应用

下面的列表提供了ML/DL在医学成像中的应用示例。虽然这个列表并不完整，但它表明了ML/DL对当今医学成像行业的长期影响。

肿瘤检测

在美国，每年有超过500万的人被诊断出患有皮肤癌。皮肤癌是美国最常见的癌症，每年花费美国医疗系统超过80亿美元。

黑色素瘤(皮肤癌中最致命的一种)如果及早诊断并得到适当治疗，是非常容易治愈的，从早期到晚期，存活率分别在15%和65%之间。适当的治疗甚至可以产生超过98%的5年生存率。

IBM Research智能信息系统高级经理约翰•史密斯(John Smith)表示，自动化图像处理近期最有希望的应用之一是检测黑色素瘤。为了检测肿瘤，DL算法从一组医学图像中学习与疾病相关的重要特征，然后根据这些特征进行预测(即检测)。

Enlitic是一家澳大利亚的医学成像公司，它被认为是使用DL进行肿瘤检测的先驱，其算法已经被用于肺CT扫描中肿瘤的检测。Enlitic首席执行官杰里米•霍华德(Jeremy Howard)表示，他的公司能够创造出一种算法，能够比放射科医生更准确地识别肺部肿瘤的相关特征。

深度学习算法需要的一件事是大量的数据，而最近数据的涌入是过去5年将机器和深度学习重新放到地图上的主要原因之一。然而，在更广泛的领域中，医学图像数据的缺乏仍然是一个需要克服的障碍。IBM在2015年以10亿美元收购帮助医院存储和分析医疗图像的Merge Healthcare时就意识到了这个问题。IBM已经明确表示了它的计划(见下面的视频)，训练沃森使用Merge收集的300亿张图像，以帮助医生进行医学诊断。

跟踪肿瘤发展

医学成像还可以用于无创监测疾病负担和医疗干预的有效性，使临床试验能够在较小的受试者群体中完成，从而降低药物开发成本和时间。例如，用于治疗乳腺癌的药物卡培他滨(Capecitabine，也被称为Xeloda)，在1998年仅对162名患者进行了CT扫描后，基于肿瘤的缩小而获得批准。

在提取的具有增殖活性的组织中，通常表现为组织异常边缘的候选区域被识别出来。DL算法生成肿瘤概率热图，将重叠的组织块按肿瘤概率分类。这些图像提供了肿瘤形态、面积、密度、位置等不同特征的信息数据，便于跟踪肿瘤的变化。

2013年，弗劳恩霍夫医学图像计算研究所(MEVIS)的研究人员发布了一种新工具，该工具使用DL来显示肿瘤图像的变化，使医生能够确定癌症治疗的进程。Fraunhofer MEVIS的Mark Schenk说:“例如，该软件可以确定肿瘤体积随时间的变化，并支持新肿瘤的检测。”这种方法还具有实现自动进度监控的潜力。

血流定量和可视化

磁共振成像(MRI)可以在不使用造影剂的情况下，对人体血管内的血流进行无创可视化和定量。当MRI在20世纪80年代得到广泛应用时，它们使心血管疾病对心脏血流动力学局部和全局变化的影响的评估更加准确。

Arterys是一家DL医学成像技术公司，最近与GE Healthcare合作，将其量化和医学成像技术与GE Healthcare的磁共振心脏解决方案结合起来。Arterys的系统能够更有效地可视化和量化心脏内的血液流动，以及心血管疾病的全面诊断。

医学解释

医学成像测试的好处取决于图像和解释质量，后者主要由放射科医生处理;然而，由于人类受到疲劳和分心等因素的影响，解读很容易出错，而且可能是有限的。这就是为什么病人有时会从不同的医生那里得到不同的解释，这使得选择行动计划成为一个充满压力和乏味的过程。

Netathesaurus(大型生物医学同义词典)和RadLex(放射学术语的统一语言)可用于检测放射学报告中与疾病相关的词。然后训练DL算法来检测医学图像(即放射学报告)中是否存在该疾病，帮助医生做出更好的解释。

韩国初创公司Lunit于2013年成立，该公司使用DL算法分析和解释x射线和CT图像。Lunit的系统能够在5秒内提供解释，准确率达到95%，这一成就在短短3年内通过国际创业孵化项目吸引了230万美元的投资。

2014年成立的另一家韩国初创公司Vuno也在帮助医生解读医疗图像。Vuno使用ML/DL技术分析患者影像数据，并将其与已处理的医疗数据进行比较，从而让医生更快地评估患者的病情，并提供更好的决策。这家初创公司的联合创始人是在三星工作时认识的，他们意识到自己的机器学习经验可以应用于一个更紧迫的问题:“通过将医疗数据投入工作，帮助医生和医院抗击疾病。”

另一个与医学解释密切相关的应用是图像分类。例如，在发现病变后，医生必须决定它是良性还是恶性，并将其分类。在这方面，三星正在将DL应用于乳腺病变的超声成像分析。

“用户可以减少不必要的活检，在准确检测恶性和可疑病变方面，正在接受培训的医生可能会得到更可靠的支持，”三星医疗中心(Samsung Medical Center)放射科医生韩博京(Han Boo Kyung)教授说。三星的系统分析了大量的乳腺检查病例，提供了显示病变的特征，也显示了病变是良性还是恶性。

糖尿病性视网膜病变

糖尿病视网膜病变(DR)被认为是糖尿病最严重的眼部并发症，是全世界范围内导致失明的主要和增长最快的原因之一，全世界约有4.15亿糖尿病患者处于危险之中。美国国家健康访谈调查和美国人口普查局的数据预测，40岁以上的美国人拥有DR的人数将增加两倍，从2005年的550万增加到2050年的1600万。

正如许多使人衰弱的疾病一样，如果及早发现，DR可以得到有效治疗。谷歌的一组研究人员在2016年发表在《美国医学会杂志》(JAMA)上的一项最新研究表明，他们的DL算法是在一个大的眼底图像数据集上进行训练的，能够检测出超过90%的DR。

DL算法研究是在神经网络训练中显示与数以百万计的参数)(一个数学函数,用于计算强度的糖尿病性视网膜病变严重程度在眼底图像像素(图片元素),最终导致一个通用函数,能计算出糖尿病视网膜病变严重程度的新图像。

谷歌目前正在与印度的参与医院合作，其中一项工作是大规模实施经过dl培训的模型，这是一项包含在内的试验，旨在帮助世界各地的医生及早发现DR，从而获得有效的治疗。

搜索最近Quora和Reddit上的帖子，你会发现人们似乎很担心DL会干扰放射学。然而，许多专家对基于dlc的解决方案在医学成像领域的可能性表示乐观。明尼苏达州罗彻斯特市梅奥诊所的布拉德利·埃里克森博士认为，未来15到20年，大多数诊断成像将由计算机完成。但是贝相信，DL将取代放射科医生的工作，扩大他们在预测疾病和指导治疗方面的作用。

“我担心有些人可能会固执己见地说，‘我不会让这种事情发生的。’”埃里克森说:“我想说的是，不合作也会产生反作用，我希望在这场正在发生在深度学习领域的革命中，有很多医生参与进来，这样我们就能以最优的方式实施它。”宾夕法尼亚大学医学学院放射学荣誉退休教授尼克·布莱恩博士似乎同意埃里克森的观点，他预测，在10年内，除非医学影像检查被机器预先分析过，否则放射学家不会对其进行复查。

DL最具革命性的未来应用之一将是对抗大多数类型的癌症。

IBM Watson Health肿瘤学和基因组学全球负责人罗伯特·s·默克尔(Robert S. Merkel)讨论了IBM Watson将如何对抗癌症

作为“抗癌战争”的一部分，谷歌DeepMind与英国国民健康服务(NHS)合作，帮助医生使用DL技术更快地治疗头颈部癌症。这项研究是与伦敦大学学院医院合作进行的。

关于医学影像深度学习的总结

2011年，IBM沃森(IBM Watson)击败了《危险边缘》(Jeopardy)的两大冠军。2016年，由谷歌DeepMind开发的围棋计算机程序AlphaGo战胜了李世石，李世石被认为是世界上最强的人类围棋棋手。

虽然游戏是测试DL技术的重要实验室，但IBM Watson和谷歌DeepMind都将此类解决方案引入了医疗和医学成像领域。随着技术的进一步发展，许多公司和初创公司将加入到使用ML/DL来帮助解决不同医学成像问题的更大的参与者中来。GE Healthcare和西门子(Siemens)等大厂商已经进行了大量投资，Blackford最近的分析显示，20多家初创企业也在医疗成像解决方案中使用机器智能。

虽然潜在的好处是巨大的，但最初的努力和成本也是巨大的，这也是大公司、医院和研究实验室联合起来解决大型医学成像问题的原因。例如，IBM沃森(IBM Watson)正与15多家使用成像技术的医院和公司合作，以了解认知计算如何在现实世界中工作。

通用电气还宣布与加州大学旧金山分校(UC San Francisco)合作，开发一套算法，帮助其放射科医生区分正常结果和需要进一步关注的结果。这一努力是GE与波士顿儿童医院的另一项合作项目，旨在开发用于检测儿童大脑疾病的智能成像技术。

关于放射学中断以及它对医疗从业者的未来角色意味着什么，现在有争论，将来也会有争论;然而，将深度学习应用于对抗和检测疾病和癌症的潜在好处似乎可能超过可预见的成本。