近年来,智能技术在医学各个领域的应用显著增长,促进了医学的发展

2022-01-03 20:38
93
0
添加收藏

近年来,人工智能技术在医学各个领域的应用显著增长。这种增长主要是由于高性能计算的进步和学习技术深度的发展,一个子集使用神经网络学习从专业标记的数据库中解决特定任务的AI算法。由于AI的应用而正在经历范式转变的医学领域是医学成像,因为使用传统图像处理算法对图像采集的不同模式进行分析是无法有效解决复杂问题,例如在计算机断层扫描研究中以高精度检测肺裂。


 

近年来,这种情况发生了显着变化,这要归功于卷积神经网络,这是一种特殊类型的DL算法,可以从标记图像的数据库中学习卷积滤波器。这些过滤器能够从图像中提取大量特征,在连续过程中组合这些特征可以解释复杂的模式,例如医学图像中存在的模式。CNN具有高度的通用性,这使得今天可以在许多任务中开展许多研究,例如在各种成像模式的采集中减少时间和提高质量,在某些测试中减少对患者的对比度,病例筛选,疾病检测和感兴趣区域的分割。


 

其中一些领域的研究已经达到了如此先进的发展水平,目前市场上已经有完全基于人工智能的产品,其在临床实践中的好处已经通过相关的验证过程得到证明,可以被视为医疗器械。分类包括为CNN的输入案例分配属于某个类别的概率,也就是说,估计图像在多大程度上包含某个类别的共同模式。在医学影像中,利用CNN对胸片进行自动分类是科学界和业界都特别关注的领域。


 

此外,已经发布了包含数十万张标记图像的大型公共数据库,以推动该领域新算法的发展。这种兴趣的主要催化剂之一是放射科缺乏资源来报告在临床常规中获得的大量胸片。出于这个原因,已经开发了胸片分类算法来预先筛选健康受试者,以便放射科医生能够将精力集中在报告潜在的病理病例上。分割包括描绘解剖区域,这是一个可以通过CNN自动化的目标,因为它们可以为图像的每个体素分配一个概率属于或不属于感兴趣区域。


 

受到CT中自动肺分割改进的积极影响的一种图像分析技术是自动肺气肿量化。这是因为该技术是基于CT中肺中低于某个豪斯菲尔德单位阈值的体素计数,因此,精确估计属于肺的体素对于正确计算体积至关重要。然而,并非所有CNN在医学成像中的应用都以改进卫生系统的流程为目标,因为它们也可用于执行计算机攻击,其目的是阻止正确做出诊断。


 

例如,开发了一种基于对抗生成网络)的方法,该方法能够通过人工添加或去除肺结节来改变CT图像。总之,人工智能技术,更具体地说是深度学习技术,已经允许开发新工具来改善医疗保健流程,并通过医学成像引入呼吸系统疾病评估的范式转变,自动化流程在今天它们减慢了医院的工作流程并提高医生的诊断效率。


 

然而,这些新技术也引发了一些伦理问题,例如当人工智能技术被用于辅助决策时,谁应该为误诊负责的定义。此外,还可能将这些算法用于计算机攻击中的恶意目的,从而改变患者的正确诊断。因此,多学科委员会必须考虑这些场景,才能在医院机构中有效、安全地实施人工智能系统,以实现更高效、更准确的卫生系统,从而改善人们的健康。


 

全部评论