【
儀器網 行業要聞】我們在電影或游戲中能經常看到，思維和執行力都與人類相差無幾，但卻是
機器人這樣的存在。不僅僅是在電影或游戲中，人工智能已經逐漸走進了我們的生活，甚至已經應用在了各個領域。這種研究、開發用于模擬、延展和擴展人的智能的理論、方法、技術及應用系統的新技術科學，不僅給許多的行業帶來了巨大的經濟效應，同時也為人們的生活帶來了許多改變與便利。
像我們經常會在刷淘寶時發現，淘寶中推薦的用品居然恰好是我們所需要的，這種個性化推薦就是一種人工智能，它建立在海量數據挖掘的基礎上，對用戶的歷史行為進行分析并建立推薦模型，從而能夠主動給用戶匹配所需的信息。人臉識別也是一種人工智能，這是基于人的臉部特征信息進行身份識別的一種生物識別技術，還涉及到了計算機視覺、圖像處理等技術。
不僅如此，隨著科技的不斷發展，人工智能技術也已經滲透到醫療方面，并且成為近年來醫學技術發展的一個研究熱點。人工智能可以快速且不間斷的閱讀海量的文獻，并且能夠擁有十分全面的基礎知識和最新進展，在不斷“學習”專業醫生的醫療知識后，不僅可以用于對個體或群體性疾病的預測，并給出相應的健康建議，同時也能輔助診療、輔助治療，從而降低誤診率。而其中，最能讓人工智能大展身手的，無疑是在醫學圖像中的應用。
近些年來，我國也不斷推出相關政策規劃來積極響應且規范人工智能技術在醫療行業的發展。《新一代人工智能發展規劃》中指出，要圍繞醫療等關乎民生的剛性需求先行發展，為大眾提供更高效多元的智慧醫療服務；《關于促進和規范健康醫療大數據應用發展的指導意見》中提到，規范和推動健康醫療大數據融合共享、開放應用，明確支持研發健康醫療相關的人工智能技術。
人工智能技術不斷輔助醫學圖像處理
人工智能技術的運用對于醫學圖像分割具有重大的意義和應用價值，它可以將醫生的精力從圖像分割中解放出來，并且能夠提高分割效率、縮短分割時間、減少主觀偏差。在近幾年的一些研究中發現，這種基于深度學習的卷積神經網絡算法在不斷地改進中，逐漸能夠在醫學圖像上對一些較為復雜的組織結構達到十分可觀的分割效果。研究人員認為，該方法比現有的方法運行更快，而且檢測精準度不會受到其他污染物的存在的影響，還具有高精度的全自動身體成分分析的潛力。
蟻群算法是一種能夠在圖中尋找優化路徑的幾率型算法，部分研究中使用蟻群優化算法，有效克服了圖像自身變化較多的因素對傳統方法的干擾，試驗結果顯示對血管和半點的檢測同樣具有理想效果。這種算法不僅被用在對糖尿病患者視網膜中視神經盤的彩色解剖圖像檢測中，還能夠與向量機模型結合，從而有效評估醫學圖像處理中點選擇概率的問題。
人工智能還可以輔助疾病的預后評估。通過患者信息和圖像分析，提取腫瘤的物理特征，從而預測疾病治療反應，評估疾病的預后，從而幫助醫生能夠更好地選擇合適的治療方式。例如，可以建立人工智能影像組學模型，預測射頻消融和手術切除的無進展生存期，在基于深度學習的影像組學模型下能夠實現無進展生存期的術前準確預測，從而促進極早期或早期患者的最優治療方式選擇。可以看出，結合深度學習和影像組學的優勢，能夠更大程度地對疾病進行治療反應預測和預后估計。
不只是以上算法的運用，還有遺傳算法、人工免疫算法、進化算法等智能算法也不斷出現在醫學圖像處理各應用領域之中。近年來，人工智能方法在醫學圖像處理中的應用十分廣泛，其中所涉及到的醫學圖像種類也十分豐富，包括 MR 圖像、 超聲圖像、PET 圖像、CT 圖像和醫學紅外圖像等，所涉及的病變和檢測對象也遍布人體各部位。人工智能已經真正融入到了醫療的每一個環節中。
“萬能”的人工智能技術也存在瓶頸？
我國醫學圖像數據總量巨大，但利用效率卻不高。據權威調查數據顯示，醫療行業非結構化數據占整個數據量的90%左右，其中包括醫療相關系統所產生的醫療圖像。盡管數據龐大，但這些數據缺少一個統一標準、跨平臺分享的生態環境，導致其利用率和利用價值都不高。人工智能醫療影像圖像在高質量數據獲取和標注上仍然存在較大的挑戰。
在人工智能的數據處理流程中，其重點環節就在于數據預處理工作，數據標注的準確性會直接影響最終診斷結果。目前的深度學習算法大多都屬于監督學習，需要醫生的精準標注進行訓練，盡管小樣本學習已經有所突破，但標注這些變異較大的結構反而會大大增加醫生的工作量，仍然需要消耗大量的時間和精力。
人工智能輔助疾病診斷模型業還存在構建的通用性模型在特定任務中表現不理想的情況，在模型的構建上，往往對圖像的源數據質量要求比較高，如果只用來自一家醫院的數據，而不入組其他醫院的數據，那么最后構建的模型，就無法精準智能診斷其他數據源的數據。
讓數字醫學不斷迸發出更強烈的光彩
盡管目前仍存在著許多難題，但醫學人工智能依舊是數字醫學發展的新方向，同時也是未來醫學發展的必然趨勢。近日來，香港大學工程學院一研究團隊開發一種新人工智能演算方法，這種算法能夠從數十萬份X射線影像報告中自動獲取監督信號來訓練預測模型，研究團隊利用該方法成功地將數據標注量降低90%，其預測的準確度更是超過了用全由人手標注的數據訓練人工智能醫學圖像診斷模型，他們在降低開發成本的同時提高了數據處理量和速度、預測準確度也有提升，這為實現通用醫療人工智能邁出重要一步。
事實上，國內AI醫療器械市場規模從2019年的1.25億元已經大幅增長至2020年的2.92億元，同比增長134%，預計2022年將繼續大幅增長，達到11.56億元。據國家藥品監督管理局2021年度醫療器械注冊工作報告顯示，截至2021年12月31日，全國各地藥品監管部門共辦理境內第二類醫療器械注冊31509項、境內第三類醫療器械注冊4596項。其中國家藥品監督管理局批準的AI類醫療器械注冊證書(二類證及三類證)一共153個。
總而言之，人工智能已經進入了一個快速發展的階段，并且帶給醫學影像課間的變化，不斷改變著醫療行業的工作流程與效率。在考慮醫學圖像實際特點的基礎上，結合人工智能等不同領域的技術、多種類型的方法結合與改進使用、相互彌補算法功能的缺陷，必然將會是醫學圖像處理技術的一個重要發展方向。醫學人工智能時代已經來臨，我們亟須跟進數字醫學和人工智能時代的腳步，激流勇進，為未來醫學的創新和改革做出貢獻！
(資料參考來源：中國新聞網、知網、知乎、科技日報、央視網)
浙公網安備 33010602002722號
昵稱 驗證碼 請輸入正確驗證碼
所有評論僅代表網友意見，與本站立場無關