“
2016年12月29日，由数翼、华院数据、数据六合实验室联合主办，COWORK协办的聚焦“人工智能医学影像识别的临床应用”的主题沙龙活动圆满结束。会上四位演讲嘉宾就围绕活动主题从不同角度进行了精彩的演讲，活动吸引了来自仁济医院、飞利浦、复旦大学、数据宝、格域数据等产学研多个机构的观众，现场大家积极提问交流、讨论热烈。下面是小编为大家呈上的演讲嘉宾干货内容，供大家交流学习。
活动现场 嘉宾简介 杨晶晶，华院数据技术（上海）有限公司大数据架构师。华院数据技术（上海）有限公司是中国最早从事大数据分析挖掘的企业。目前，公司以智能引擎和数据互联为核心，致力于成为中国大数据应用裂变加速器，并已成功孵化分析、数云、数创、数尊等近二十家各垂直领域的大数据应用公司。 活动演讲嘉宾 杨晶晶 演讲主题： Deep Learning for Medical Image CAD 各位嘉宾大家下午好，接下来由我为大家带来分享。刚才三位嘉宾从医学影像未来发展、能带来何种价值以及现有的商业模式角度作了分享，那么我就承上启下，把到底该如何做，在国外取得什么样的效果，给大家更加直观的解读。我们是来自华院数据的研究团队，我们华院是从2002年成立，是中国最早从事大数据分析挖掘的企业，拥有十几年的数据挖掘和机器学习技术积累，在电商、电信、医疗、汽车等众多领域有丰富成果。我们团队近期更多关注人工智能、机器学习，尤其是医学领域的一些方向，这些研究成果将会推动华院在相关领域的孵化。 我今天的演讲主题是深度学习技术在医学影像CAD(Computer Aided Detection and Diagnosis)中的应用，主要从三个角度来分享，首先从直观角度讲述一下深度学习，然后欧洲两个乳腺方面的例子帮助大家从detail的层面理解深度学习在图像里面能起到什么作用、还有哪些优缺点，最后是我们研究的心得与大家分享一下。 Introduction to Deep Learning 深度学习，它的“深度”体现在它是基于传统的神经网络基础，作了一些深度的延展。下图是深度神经网络，神经网络是受人类大脑神经结构的启发，分为很多层，每一层都有许多神经元，神经元将对数据特征进行学习。 这种技术有别于传统计算机技术的特点是什么呢？比如，我们要做一个自动驾驶的汽车，汽车前后左右加速减速转向等，我们不可能用人的规则编程，我们没法预知它的环境，所以没法用传统编程技术做自动驾驶汽车，因为在不同环境需要的决策是无法通过人类大脑预知的。但是深度学习技术在这方面取得了非常大的效果，自动驾驶技术指日可待，在美国很多内测已经取得很好的效果，像谷歌、特斯拉。 稍微讲下卷积神经网络在图像识别一些经典的应用。这是一个图片分类的应用，包括现实中的任何物体，都可以识别出来。刚才陶总也讲到，任何识别都是有一定概率的，是有一定置信度的。除此之外，还可以做物体定位，比如图片中人骑自行车，通过CNN可以把图片中各种物体区域标记出来。另外，还可以做像素点分割，分辨出像素点属于哪种类别，比如红色区域是马、粉红色区域是人、黑色是背景；这个可以应用在安防领域。 深度学习之所以那么火，还是因为它巨大的作用。人工智能是很早的技术了，之前技术成熟度不够；现在得益于深度学习技术发展，表中看出2010年到2015年ImageNet的图片识别错误率大幅下降，并且超越了人类的水平。 最近几年深度学习在世界尤其是欧洲在医学影像的应用有哪些方面？如乳腺癌的筛查、病罩定位与分类；肺癌的筛查和初步诊断；肝部肿瘤区域识别；脑瘤位置定位；黑色素筛选识别等。 Cases Study 现在我们结合几个例子，看怎么样运用技术实现应用。 Case1：Mitosis Detection in Breast Cancer Histology Imageswith Deep Neural Networks 病理医生水平要求比较高，且在美国比较稀缺，是比较昂贵的，中国病理医生也有较大的缺口。这个研究是利用CNN技术在公开的数据库进行，这是比较早的一个研究，且利用的是2012年欧洲的数据库，提供了很多病理切片，结果发布出来后，第三方还可以对数据进行验证；这种利用CNN技术进行辅助诊断，是超越了所有传统模式。 这是用染色做的切片，绿色圆圈即是有丝分裂的细胞，框出来的需要重点排查；蓝色是正常细胞，红色是假阳性。可以看到，普通人眼是几乎无法区分这些细胞，而且很难统计图里有多少这样的细胞。 这是2012年欧洲的数据集。它由五十张图片组成，通过高倍显微镜5个不同的活性切片来获得。把它数字化图像之后，每个恶性有丝分裂的位点，都是专业病理学家人工标注的，然后分成3个数据集。先把恶性细胞标注出来，通过切片技术分割成小的图片，分成了6.6万张，同时也切了6.6万张良性细胞的图片。
第一个案例带给我们的线索：第一深度神经网络在癌症的早期筛查上毋庸置疑效果非常明显；第二在病理这样的难题上表现优秀，潜力巨大。
Case2：Large scale deep learning for computer aided detection of mammographic lesions
把时间轴平移到2016年，这个案例是做乳腺早期恶性病罩的筛查，此次运用的技术比2014年先进，数据量也比2014年要大。
Conclusion
下面是我们研究的一些心得与结论：
华院数据创始人、CEO宣晓华博士与大家交流
转自：华院数据
联系客服
