“诊断工具”AI深度学习攻略

随着医疗行业的关注点从扩大规模体量转变为提供更有价值的服务，从依赖于单台设备能力转变为依赖于不同类型设备、多台设备的信息融合技术，GE医疗正在与全球领先的医疗机构合作，利用人工智能（AI）来塑造放射学的未来，并期待更多的医疗机构能成为我们的合作伙伴。虽然基于AI技术的应用刚刚开始进入医疗行业，但其实AI相关信息技术早已经默默的助力医疗IT许久，也持续协助医疗机构为患者提供更及时、更有效的治疗方案，例如通过基于持续学习算法的第二代AI技术应用——计算机辅助诊断（CAD）。我们预测在不远的未来，持续发展的AI应用将如同当今医疗设备一样，成为影响医疗服务质量的关键因素。

对于放射医学，我们致力于挖掘AI技术将如何改善放射科医师的日常工作模式以及提升患者的治疗效果。更为重要的是，我们将量体裁衣，通过专业的现场调研，为医疗机构的影像中心制定从AI技术的选择、引入磨合，再到全面融入的整体解决方案，以助力机构获得最高的投入产出比。今天，我们将为大家分享与医疗影像关系最为密切的一种AI技术——深度学习算法。

人工智能（AI）简要概括是指机器所表现出的模仿人类智能的能力。通常人工智能是指通过计算机程序的手段实现的人类智能技术，如视觉感知、语音识别和决策智能制定。如今，AI正 “飞入寻常百姓家”，并在我们的生活中发挥着日益重要的作用，而我们在与AI系统进行交互时甚至可能不会意识到这一点。例如，当下流行的网约车软件正通过广泛应用AI技术尽可能减少预约车辆后的等待时间，还能预估乘车价格；又如，我们近期搭乘过的航班极有可能是基于AI技术的自动驾驶应用程序完成了大部分的航程；再如， AI技术可以帮助我们的电子邮箱免受垃圾邮件的骚扰……

目前，有一些技术可用来开发人工智能系统。例如，机器学习就是其中一种，它让计算机程序通过对训练集数据“学习”获得解决问题的模型，而无需通过编写一行又一行的指令代码完成任务。

借助应用一组算法，程序通过对大量训练集数据反复学习，构建出模型。而模型构建出一系列内部映射使输入数据能一一对应到目标结果判定，这样即使输入新数据，该模型也能做出正确的判定。此类系统也可配置为持续学习模式，通过源源不断涌入的新数据持续学习达到更高的准确率。成熟稳定后的模型对构建其机器学习方案具有指导意义。回想之前提到的网约车软件示例，机器学习技术能够估算出车辆到达时间、最佳上车地点，以及用于检测可能发生的欺诈行为。

深度学习是一种特殊的机器学习技术，它基于类似人脑神经元、神经回路的人工神经网络算法。一旦定义好输入层及输出层数据对应关系，在其间构建多级（深度）隐含层形成映射关系，通过大量的数据训练每一层神经元的权值，不断完善模型，在图像识别、语音识别领域应用将获得出乎意料的效果。

使用深度学习算法构建的医学影像AI工具能够提高放射科医师的工作效率，并辅助他们做出诊断决策。这为他们节省出更多的时间以关注患者本身，以更加从容地诊断更复杂的病例。

最终，这将助力放射科医师快速地成长为行业专家；作为病患诊断决策的关键者，实现更大的价值。近期的深度学习算法有望改善患者就医体验，如缩短诊断时间，增加救治处理时间，同时提高从业医师工作满意度。

尽管第一代基于深度学习算法的医学影像应用还只能作为辅助诊断工具，但随着技术的进步，它终将能在诊断领域扮演更重要的角色。从全球范围来看，放射科医师短缺或临床医师阅片的地区特别重视这一技术应用的发展。

在GE医疗，我们将AI视为一种专业工具，它可以让放射科医师成为患者诊断和治疗过程中更有价值的专家。

深度学习是真正的变革性技术，我们不能低估其对放射学领域的长期影响。机器学习在常规用于影像诊断的过程中，更多地是一个时间问题而不是能否实现的问题。目前，医疗影像中的深度学习还处于早期阶段，在未来一段时间内，AI还不能取代放射科医师。

AI最终将以各种辅助诊断工具落地，协助放射医师阅片，如影像增强、病灶的识别与量化。人工智能通过实践证明了它能增强放射影像判读能力，并将使放射科医师能拥有更多时间专注于服务患者。未来，AI很可能会像听诊器一样成为广大医师的通用诊断工具。