浅析神经网络在医疗图像中的应用
来源:用户上传
作者:
摘 要 神经网络是一种数学模型，具有强大的特征表示能力和模式识别能力，特别擅长处理图像识别、图像分割等任务。传统上，医疗图像是通过人或机器来分析，具有效率低、准确率低和数据利用率低等缺点。医疗图像作为一类特殊的图像，神经网络在此领域具有巨大的应用潜力，例如进行常规疾病诊断和疾病预测。文章简要分析神经网络在医疗图像中的应用现状，并提出展望。
关键词 神经网络；医疗图像；常规疾病诊断；疾病预测
中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2019）229-0135-03
自AlphaGo战胜世界围棋冠军李世石以来，人工智能领域掀起了新一轮的应用与研究浪潮——神经网络正是当今人工智能的核心，广泛应用于各个领域。神经网络是一种数学模型，具有强大的特征表示能力和模式识别能力，在图像识别、图像分割、语言理解等领域取得了许多重要的成果。医疗图像作为一类特殊的图像，神经网络在此领域具有重要的应用前景，例如肿瘤检测与肿瘤位置？分割。
传统上，医疗图像需要人工进行诊断与分析，这就不可避免带来了一系列的麻烦。第一，医疗图像分析基本上是一个重复性的过程，重复性的工作通常耗时且无趣；第二，不同的医生诊断水平参差不齐，通常存在误诊现象；第三，某些疑难杂症，仅凭医生的专业知识还很难从图像上识别出来。另外，神经网络的强大特征提取能力，使其能够识别潜在的模式，能够从海量的数据中挖掘出有价值的信息，如果能将神经网络用于分析医疗图像，不仅能够提高医疗诊断的效率，减少诊断繁杂步骤，还能够提高医疗诊断的准确率，更重要的是，神经网络还具有识别潜在疾病的能力。本篇论文首先将简要概述神经网络，然后再分析神经网络在医疗图像中的应用及？前景。
1 神经网络简述
神经网络是实现人工智能的一种形式，也是当今人工智能的核心。生物学中，大脑中的神经元通过复杂的关联，使人类拥有了视觉、听觉、记忆、学习等功能。人工智能领域中，神经网络是一种数学模型，旨在模仿动物神经网络的行为特征、进行数据处理、学习并获取？知识。
神经网络模型通常分为3个部分：输入层、隐藏层和输出层，见图1。这些层是由神经元组成，不同层之间的神经元以某种形式相互连接，在数学上，这些连接被称为“权重”。神经网络模型的输入层用于接收输入数据；隐藏层则用于提取数据中的规律或特定的模式，这个过程称为“学习”；输出层则用于输出神经网络的计算结果。根据隐藏层的多少，又将神经网络分为浅层神经网络和深层神经网络。深层神经网络至少具有两个以上的隐藏层，而神经网络提取信息的能力通常与神经网络的层数有关，层数越多，神经网络提取信息的能力越强，学习能力越强。因此，目前应用最广、功能最强的神经网络都是深层神经网络，与之对应的是深度学习。我们所熟知的有道翻译词典、支付宝的刷脸支付都离不开深度？学习。
根据神经网络模型中神经元的连接方式，又主要分为全连接神经网络、卷积神经网络和循环神经网络三大类，见图1。其中卷积神经网络在图像分类，人脸识别等视觉领域用途最广，效果最好；而循环神经网络在自然语言处理和语音识别领域的效果更佳。因此，在医疗图像中，目前使用最多的也是卷积神经网络。由于卷积神经网络在分类、识别任务中的出色表现，使得它在最近几年得到迅速的发展，引起了科学界和产业界的广泛？关注。
2 神经网络在医疗图像中的应用
从可预期的未来来看，深度学习中的神经网络将会越来越广泛地应用于医学领域，帮助解决传统医学中一些问题，并促进现代医学研究的发展；下文从传统医学中一些针对性问题进行阐述，然后提出通过神经网络进行优化的方法，并对神经网络在医学中的应用进行展望。
2.1 常规疾病诊断
基于医疗图像的常规疾病诊断是神经网络擅长的任务之一。利用患者的医疗图像数据，可以建立预测某类常规疾病的神经网络模型。由于神经网络模型能够从历史医疗数据中获取信息，学习知识，可以很快的处理新的医疗图像数据，能够快速地进行疾病诊断。神经网络模型的诊断结果不易受到主观因素的干扰，在减轻医师工作负担的同时提升效率和诊断准确率。传统的疾病诊断往往以医院为载体，通过专业医师进行诊断或利用机器对数据进行简单的处理。然而，医师的诊断水平往往受限于自身的知识储备和经验，使得诊断结果容易出现差错。另一方面，医院的诊断流程复杂，就医人数众多，往往存在医师不够用的情况，这已成为目前大多数医院面临的共同问题。依靠机器对数据进行处理也存在如下问题，虽然医疗图像数据量大，但是这些数据的利用率极低，往往是一次性的，这就造成了数据的浪费。神经网络正好具有处理海量图像数据的能力，能够对医疗图像数据进行分类、识别潜在模式，进而诊断？疾病。
2018年2月，广州市妇女儿童医疗中心的张康教授团队及其合作者利用207？130张光学相干断层扫描图像建立了深层神经网络模型，不仅能够筛查常见的可治疗致盲性视网膜疾病患者，还能够根据胸部X射线图像诊断小儿肺炎。2017年，斯坦福大学的科研团队使用129？450张临床图像的数据集训练卷积神经网络，该模型能够识别皮肤癌患者，识别准确率可达皮肤科专业医师的水平，相关成果发表于国际顶级学术期刊《自然》。
2.2 疾病预测
疾病预测对于医学来说是极其重要的。如果我们能够预测某人患病的概率，找到引发疾病的相关因素，就能夠通过有效的控制手段来杜绝疾病的发生。这对于潜在的患者而言，是非常幸运的事情。传统上，疾病预测是一件很困难的事情，大多借助于医师的知识储备和经验，具有不确定性，因此准确率普遍很低。另外，个性化的差异也给精准预测结果带来了困难。在深度学习出现之前，虽然已经有很多疾病预测模型出现，但是受限于数据量、计算机的计算能力、模型本身缺点，疾病预测效果也不理想。近年来，信息技术的高速发展，使我们真正地进入了大数据时代。海量的医疗图像数据、先进的神经网络模型、强大的计算能力，三者协同作用，给疾病预测带来了？曙光。 最近，谷歌的Lily？Peng等人發现，神经网络不仅能够用于常规疾病诊断，还能够使用视网膜眼底图像预测心脏病和中风风险。该团队利用了28万多名患者的医疗图像数据训练神经网络模型，然后分别在另外两个独立的包括12？026和999名患者的图像数据集上做验证，结果表明模型具有很好的预测能力。2017年，华中科技大学的陈敏等人利用医院的电子数据建立了预测慢性病风险的卷积神经网络模型，模型的准确率高达94.6%。最近几年，将神经网络用于常规疾病诊断和疾病预测的案例远非如此，许多著名医院和科研机构都在此领域深耕发力，并取得了令人印象深刻的？成果。
3 总结与前景展望
神经网络作为当今人工智能的核心，在许多领域都取得了重要的成果，尤其是图像分类、模式识别等领域。医疗图像作为一类特殊的图像，神经网络在此领域也不可避免的具有许多重要的应用前景。然而，神经网络在医疗图像中的应用探索也才处于起步阶段。由于神经网络本身具有难以解释的特点，这对于医疗这个特殊的领域而言是非常不利的，因此神经网络目前主要是用于辅助医疗诊断和疾病预测。
另外，神经网络模型的预测能力如何，也还需要更多的临床实验去验证才知道。要实现这一点，我们不仅需要更多的医疗图像数据去验证模型，也还需要建立更加准确、更加强大的神经网络模型。最后，医疗图像通常包含着患者的许多隐私信息，因此，如何得到患者的许可以及如何在保护患者隐私的条件下充分利用这些医疗图像信息，也是该领域面临的一大难点。但我相信，随着技术的发展，神经网络、人工智能将会给医疗行业带来巨大的变革，将会有更多的人？受益。
参考文献
[1]王菲斐.深度学习研究现状分析[J].电子技术与软件工程，2018（10）：152-153.
[2]李渊，骆志刚，管乃洋，等.生物医学数据分析中的深度学习方法应用[J].生物化学与生物物理进展，2016，43（5）：472-483.
[3]Daniel S. Kermany ，Michael Goldbaum ， WenjiaCai ，et al. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning[J]. Cell，2018， 172（5）：1122–1131.
[4]Andre Esteva， Brett Kuprel， Roberto A. Novoa，Justin Ko， Susan M. Swetter， Helen M. Blau，Sebastian Thrun. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature， 542：115–118.
[5] Ryan Poplin，AvinashV.Varadarajan， Katy Blumer，Yun Liu， Michael V. McConnell，Greg S.Corrado，Lily Peng，Dale R.Webster.Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning[J].Nature Biomedical Engineering 2018，2：158–164.
[6]Min Chen，YixueHao，Kai Hwang，Lu Wang，Lin Wang. Disease Prediction by Machine Learning Over Big Data From Healthcare Communities[J].IEEE Access，2017： 1-1.
转载注明来源:https://www.xzbu.com/8/view-15168259.htm
