健康领域的人工智能应用详解

主讲：闫士举

目 录

一、人工智能健康管理

二、人工智能医疗机器人

三、人工智能基因检测

四、人工智能药物研发

五、人工智能影像组学

一、人工智能健康管理

应用案例——幼儿监护

在医院，儿科部会记录早产儿和患病婴儿的每一次心跳，然后将这些数据与历史数据相结合来识别模式。基于这些分析，系统可以在婴儿表现出任何明显的症状之前就检测到感染，这使得医生可以早期干预和治疗。

健康管理系统技术构成：

数据采集

数据分析——传统分析方法+人工智能

输出结论

实际数据采集

血压/脉搏/微循环参数计算

•压力传感器

血压测量

脉搏参数

•光电传感器

微循环参数

基于脉搏参数计算其它相关参数

红外光电式连续血压测量研究

•光电式脉搏传感器的噪声分析和工程处理

•脉搏信号的模/数信号转换电路

•血压测量原理

•半导体力敏传感器

•血压的压力信号放大电路

非结构数据采集

•Word文档

•Pdf文档

•图形文件

•语音文件

健康数据分析

对人体健康的分析——深度学习

•文本

•音频

•图像

我们怎样构建系统才能使它们能够真正识别这些种类繁多的数据和信息？

健康风险指数

心血管参数

心血管参数计算：通过分析脉搏波，计算出各种心血管相关的生理参数，辅助健康分析。

智慧健康预警及建议

依据健康风险指数，和生理健康信息，以及历史数据，分析个体健康走势，预警健康风险，指导健康建议。

智能决策支持系统

在提供用户干预方案时，使用决策系统是最有效的办法。将人工智能技术引入决策支持系统主要有几方面原因：

•是人工智能可以处理定性的、近似的或不精确的知识而引入DSS中；

•DSS的一个共同特征是交互性强，这就要求使用更方便，并在接口水平和在进行的推理上更为“透明”。

•人工智能在接口水平，尤其是对话功能上对此可以作出有益的贡献，如自然语言的研究使用使DSS能用更接近于用户的语言来实现接口功能。

应用案例——父母健康监护

防病、防急、防意外

定期采集父母脉搏波动曲线，分析血压、心率、平均脉搏、搏输出量等心血管数据，卡路里消耗、计步数据、活动休息等数据实时记录。

智能健康分析及反馈

后台专家会根据用户测量的身体数据综合分析用户的健康状态，定期出具分析报告，传送给老人的子女；

可外部蓝牙连接血糖、血压、血脂、温度医疗检测器械，所有检测数据自动上传到平台，充实专家分析诊断的依据。

子女手机安装健康大使App，方便随时查询父母身体健康现状、数据变化趋势、帮助远程管理可穿戴装置。

健康顾问的管理平台

“云——管——端“完整闭环

系统的重要功能

应用案例——心脑血管疾病防治中医家庭健康管理

1．心脑血管疾病是人类健康的最大杀手！

2．我国脑卒中防控形势仍然严峻！

3．在心脑血管疾病防治的中国专家共识基础上，融入中医治未病思想！

4．推动脑卒中高危人群筛查和干预，为遏制心脑血管疾病的增长态势而努力！

心脑血管病防治系统——健康状态采集和评估

心脑血管病防治系统

心脑血管病防治系统

中医家庭健康管理系统

中医家庭健康管理机器人信息采集的实现

中医家庭健康管理系统模型

家庭健康管理机器人概况

中医家庭健康管理机器人——中医特点与优势

人工智能技术目前可以实现中医四诊数字化

四诊合参可以对一点点的不适、一点点不愉快进行辨证

任何证型都能够在中医宝库中找到对策

通过人机交互、机器学习发扬提高中医药

中医家庭健康管理机器人——三高及可穿戴设备数据采集

血压（含脉搏波）、心率采集，自动记录

身高、体重、腰围数据采集

血糖、血脂数据采集（可选）

心电图采集（可选）

呼吸数据采集（可选）

血氧（含脉搏波）采集

手环的运动、睡眠数据采集

……

中医家庭健康管理机器人——数字化四诊数据采集

望诊：人脸识别、表情识别、步态识别；中医面诊、舌诊。

闻诊：身份识别、语义识别、数字化闻诊（声纹分析）、情感识别；气味识别。

问诊：接收家庭成员的主诉；根据三高等数据的进一步询问；检查、服药等提醒，……（声音语义、声纹分析同闻诊）

切诊：从压力传感器和光电容积传感器获得脉搏波分析中医脉诊。

舌象身份识别和舌象辨证

中医家庭健康管理机器人——天气温湿度等环境数据采集

地理位置、历史气候

物产、当地家常食谱

当地常见病、多发病；死因顺位

当地风俗习惯、文娱体育

即时天气预报、环境温湿度

中医家庭健康管理系统

应用案例——帕金森症实时监护与治疗

……

二、人工智能医疗机器人

①能够读取人体神经信号（可穿戴设备）或理解人体各种天然信号（表情、语言、动作等）；

②能够输出人类可理解的信号或运动，辅助医疗决策、承担手术操作或康复辅助等。

人工智能可以为我们做什么

模式识别

模式，是指已经界定好的，用来供模仿的一个标本或标准。模式识别就是指识别出这个标本或标准。

人工智能所研究的模式识别是指用“机器”代替人类或帮助人类感知模式，也就是使一个“机器”系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。模式识别主要需要建立的是语音识别和图像识别体系。

语音识别

语音识别研究的目的就是让机器“听懂”人类口述的语言。包括两方面的含义：其一是逐字逐句听懂非转化成书面语言文字；其二是对口述语言中所包含的要求或询问加以理解，做出正确响应，而不拘泥于所有词的正确转换。语音识别系统从讲叙方式角度可分为孤立词、连接词和连续语音三种。从服务对象的角度可分为特定人与非特定人。即系统只针对一个用户或可用于任意用户。

一个完整的语音识别系统可大致分为三部分：

（1）语音特征提取：其目的是从语音波形中提取出随时间变化的语音特征序列。

（2）声学模型与模式匹配（识别算法）：声学模型通常将获取的语音特征通过学习算法产生。在识别时将输入的语音特征同声学模型（模式）进行匹配与比较，得到最佳的识别结果。

（3）语言模型与语言处理：语言模型包括由识别语音命令构成的语法网络或由统计方法构成的语言模型，语言处理可以进行语法、语义分析。对小词表语音识别系统，往往不需要语言处理部分。

图像识别

图形刺激作用于感觉器官，人们辨认出它是经验过的某一图形的过程。也称图像再认。在图像识别中，既要有当时进入感官的信息，也要有记忆中存储的信息。只有通过存储的信息与当前的信息进行比较的加工过程，才能实现对图像的再认。

自然语言理解

“机器”要能够理解自然语言，需要达到以下三个标准：

一是能正确理解人类的自然语言输入的信息，并能正确答复（或响应）输入的信息。

二是对输入的信息能产生相应的摘要，而且复述输入的内容。

三是能把输入的自然语言翻译成要求的另一种语言，如将汉语译成英语或将英语译成汉语等。

机器学习

人的智能是通过学习来获得进步的，学习的能力是我们人类的自然属性。而人工智能研究上最突出和最重要的一个方面，就是机器学习。

首先，我们要赋予“机器”一个最基本的智能基础。这一智能基础就是专家系统与问题求解系统。

专家系统

专家系统是一个具有大量专门知识与经验的程序系统。它应用人工智能技术，根据某个领域一个或多个专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。当前机器学习的研究成果中，专家系统是发展比较快的一个分支。

专家系统与传统的计算机程序有着本质的不同,专家系统所要解决的问题一般没有算法解，并且经常要在不完全、不精确或不确定的信息基础上做出结论。所以，发展专家系统的关键是提高“机器”的自学习能力，这种能力越高，对专家知识的表达和运用就越好，专家系统的作用也就越显著。

智能机器人

智能机器人是人工智能中的最重要的应用，机器人是一种能模拟人的行为的机械，对它的研究经历了三代的发展过程：

第一代（程序控制）机器人；

第二代（自适应）机器人；

第三代（智能）机器人。

第一代（程序控制）机器人：

这种机器人一般是按以下二种方式“学会”工作的。一种是由设计师预先按工作流程编写好程序，存贮在机器人的内部存储器，在程序控制下工作。另一种是被称为“示教——再现”方式，这种方式是在机器人第一次执行任务之前，由技术人员引导机器人操作，机器人将整个操作过程一步一步地记录下来，每一步操作都表示为指令。示教结束后，机器人按指令顺序完成工作（即再现）。如任务或环境有了改变，就要重新进行程序设计。这种机器人能尽心尽责的在机床、熔炉、焊机、生产线上工作。

第二代（自适应）机器人：

这种机器人配备有相应的感觉传感器（如视觉、听觉、触觉传感器等），能取得作业环境、操作对象等简单的信息，并由机器人体内的计算机进行分析、处理，控制机器人的动作。虽然第二代机器人具有一些初级的智能，但还是需要技术人员的协调工作。目前这种机器人已经有了一些商品化的产品，我们在后面所讲述的内容中，也将主要以这一类产品作为课堂学习的器材。

第三代（智能）机器人：

智能机器人具有类似于人的智能，它装备了高灵敏度的传感器，因而具有超过一般人的视觉、听觉、嗅觉、触觉的能力，能对感知的信息进行分析，控制自己的行为，处理环境发生的变化，完成交给的各种复杂、困难的任务，而且有自我学习、归纳、总结、提高已掌握知识的能力。目前研制的智能机器人大都只具有部分的智能，和真正的意义上的智能机器人，还差得很远。

机器人智慧的来源——计算机程序

计算机程序的核心——算法

什么是算法

算法包含两方面内容：

1．数据。

2．操作步骤，也就是算法。

目前最热门的人工智能算法——DL

①能够读取人体神经信号(可穿戴设备) 或理解人体各种天然信号（表情、语言、动作等）；

②能够输出人类可理解的信号或运动，辅助医疗决策、承担手术操作或康复辅助等。

Da Vinci系统机器人

1996年      第一代Da Vinci系统机器人

2006年      第二代Da Vinci  S系统机器人

2009年      第三代Da Vinci  Si系统机器人

2014年      第四代Da Vinci  Xi系统机器人

Da Vinci  S系统机器人

Da Vinci  Si系统机器人

Da Vinci  Xi系统机器人

达芬奇机器人的组成

机械手臂的自由度

机械手可以模拟人手各种操作，动作的自由度高达7度，且活动角度范围超过人手。包括臂关节上下，前后自由运动与仿真手腕的左右旋转，开合，末端关节弯曲共7种动作，可作沿垂直轴360°和水平轴270°旋转，且每个关节活动度大于90°。尤其在进行深部操作时，机械手动作灵活，体积小巧，与开放手术的人手操作相比具有显著优势。

机械手臂特点——智能的体现

由于达芬奇机器人的机械手拥有7个自由度，具有人手无法企及的精确性。“达芬奇”还可以过滤人手的抖动，使得手术可以更精细。此外，机器人手术还具有移动缩减功能的特点，也就是说医生在操纵这一装置的过程中，移动操作杆5毫米，在患者体内的机械末端仅移动1毫米，这样就大大提高了手术的精确性和安全性。

达芬奇机器人智能化提升空间——力反馈

力反馈

达芬奇机器人目前还不具备力反馈功能（达芬奇仿真器具备力反馈功能），原因：

1．成本高，需在手术器械末端安装力传感器，满足这种精度和尺寸的力传感器价格不菲；

2．经验丰富的医生对是否具备力反馈并不是那么在意（Intuitive Surgical 人员观点），因为在以前的手术中已经建立了组织形变和力大小之间的映射关系，因此即使达芬奇不提供力反馈，医生也能从组织的形变中判断出施加的力是否合适。

什么是力反馈？

力反馈技术用于再现人对环境力觉的感知。在人的五大感官中力觉或触觉是人体感官中唯一具有双向传递信息能力的信息载体。借助于力觉交互设备，人们可以真实的按照人类的肢体语言进行人机自然互动和信息交流，通过应用力反馈设备，可以获得和触摸实际物体时相同的运动感，从而产生更真实的沉浸感。

我国创全球首台力反馈手术机器人

香港理工大学已成功研发了全球首台内置马达外科手术专用机器人系统（NSRS，Novel Surgical Robotic System），系统运作精确，并能提供高敏感度力反馈，为微创外科手术领域开创了新的一页。这项研究借助了香港大学李嘉诚医学院的外科临床经验，并已成功应用于动物试验。

达芬奇机器人智能化提升空间——图像增强

手术过程中把由计算机虚拟生成的3D人体器官图像叠加在真实的器官之上，使医生洞察各器官之间的空间位置关系以及病灶的方位，精准处理手术部位并避开要害组织，提高手术质量及安全性。

三、人工智能基因检测

基因检测对抗疾病

据国家卫计委统计，人一生中患复杂疾病（即慢性病，如糖尿病、高血压、肿瘤等）的概率是72.18%。

乳腺癌

乳腺癌是女性最常见的恶性肿瘤。根据2012年世界卫生组织公布的数据，乳腺癌在全世界女性中的发病率和死亡率均列恶性肿瘤第一位。

2012年9月份，《Nature》杂志就报道了一个好消息，乳腺癌的基因组图谱已经绘出来。

乳腺癌

2013年5月，有6个孩子的好莱坞女星兼导演安吉丽娜·朱莉证实，通过基因检测得知，自己携带因癌症去世的母亲的癌症高危基因，因此她接受了双乳乳腺切除预防乳癌手术治疗。由于携带乳癌易感基因BRCA1，她患上乳癌几率高达87%，患卵巢癌几率50%。因此，朱莉2月主动选择做双乳乳腺切除降低患癌风险。

她的母亲在49岁的时候因卵巢癌去世，她的祖母也由于卵巢癌去世，而她的姨妈死于乳腺癌。

中国特色  大势所趋

乳腺癌是我国女性发病率最高的恶性肿瘤，占女性全部恶性肿瘤发病的16.81%，我国乳腺癌发病率正在以每年3%~4%的速度猛增，因为乳腺癌的致病突变并不是特一的。

中国特色  大势所趋

构建中国女性乳腺癌基因图谱是大势所趋，乳腺癌精准治疗迫在眉睫。

同时2015年9月新成立的乳腺癌防治联盟也提出了“精准预防”的四部曲。

乳腺癌基因检测临实践

乳腺癌相关基因检测中，已认可21基因检测和70基因检测对预测化疗获益有价值，可用于评估辅助化疗必要性，并批准进入临床应用。

简单的说，21基因检测就是对21个与乳腺癌相关的基因的mRNA表达量进行定量检测，通过特定的算法将基因表达量转化为复发评分（RS），并根据评分来判断乳腺癌病人是否需要进行辅助化疗的一种检测方法。

21基因检测和70基因检测技术在美国已经使用，检测费用分别为3 460美元和4 250美元。

21基因检测一年节省3亿美元化疗费。

糖尿病

糖尿病是指由于胰岛素分泌不足或相对不足以及发生胰岛素抵抗，引起糖、蛋白质、脂肪、水和电解质等一系列代谢紊乱的疾病。近年来科学研究表明，糖尿病是由遗传因素和环境因素（如饮食结构、生活方式、精神因素等）共同作用而发病。

研究进一步发现，中国人群大约超过70%携带有不同程度的糖尿病遗传风险。

糖尿病的基因检测

科学研究显示，与糖尿病相关的基因如ADIPOQ基因（脂联素）、IL-6基因（白介素6）、LPL基因（脂蛋白酯酶）以及VDR基因（维生素D受体）等关键基因与中国人群糖尿病发病有密切关系。

我国糖尿病人口数量

我国糖尿病患病率超过美国（11.3%），患者人数达1.14亿，超过印度，成为了名符其实的糖尿病第一大国。

耳聋

据统计，我国有听力残疾人2 780万 ，每年新增听力残疾人逾30万，是世界上听力残疾人最多的国家。耳聋患者中，有50%为遗传性耳聋，这些患者因为携带了致病性的耳聋基因导致耳聋。

先天性耳聋基因：

很多人可能携带这种突变基因，但只有当夫妻俩都具有这种基因时，孩子才有可能遗传到2条突变基因。孩子的致聋几率大约为四分之一。即使父母都是健全人，孩子仍有可能是聋人。

“一针致聋”基因：

我国药物敏感性突变基因携带者（高危人群）约400万人，药物性耳聋患者约为35万人。残酷的“一针致聋”多源于患者本身携带有线粒体基因A1555G的突变。

对于耳聋的易感人群而言，庆大霉素、卡那霉素、利尿剂、阿司匹林、奎宁等近百种药物，都要慎用。每天有无数个孩子正在用身体试药，每天有109个孩子因此成了聋儿，每个月有3000多个孩子因此无法聆听世界的声音！

“一巴掌致聋”基因：

是常染色体隐性遗传病，由PDS基因突变导致，临床表现为大前庭导水管综合征，即联系前庭和颅腔的管道变得异常扩大，颅内微小的的压力变化可以转化为内耳腔内翻江倒海式的冲击，破坏内耳结构，引起听力下降。这就是轻度头部外伤可能导致此类患者听力下降的原因。

意义：

通过遗传性耳聋基因检测，可以确定是否携带缺陷基因，对其生活方式进行干预和预防性指导，能有效避免耳聋的发生和延缓耳聋的发生，及早做好准备工作。

对新生儿和儿童进行相关的基因检测，可以对新生儿和儿童的治疗用药进行指导，避免和减少药物性耳聋的发生。

患者血缘亲属中还没有达到发病年龄的人，可以通过检测是否带有耳聋致病基因，预测将来是否会耳聋，甚至进行有效的早期干预治疗。

基因检测的发展趋势

大数据

基因检测手段很成熟，很多实验室都能实现，然而检测结果的解读却非常困难，因为这依赖于大数据上的数据库。

基因信息存在大量冗余、分析技术难度高、数据解读跟不上是目前基因测序行业的瓶颈，而这也将催生出大量专注于数据存储、分析、解读服务的公司。

云计算

基因数据处理产业的解决方案就是云技术服务，利用云平台运维数据处理流程，以实现大部分工作的高效自动化和低成本，并对接医疗健康应用领域。

云端技术能够解决数据存储、数据运算和数据安全问题。

由于云端技术已经成为互联网公司的专宠，未来互联网公司拥抱基因行业指日可待。

人工智能

数据的分析，刚开始时数据量小，只需要对常用的分析软件做些优化，就足够了。但是随着数据量变大了，所以才有Deep Genomics这种公司，要借助人工智能算法分析数据。

Deep Genomics：研究人员可对一个DNA序列进行查询，系统将鉴别出突变，并告知这些突变将会导致什么疾病及致病原因。

布伦丹·弗雷

加拿大多伦多大学生物医学工程教授

四、人工智能药物研发

高盛AI生态报告：

人工智能可解决药物研发、医保控费和医院运行效率难题。

随着人工智能和机器学习的不断整合，人们将有望在新药研发的过程中显著地实现“去风险”，不但每年将节约近260亿美元的研发成本，同时还将提高全球医疗信息领域的效率。

药物发现与开发。在药物开发过程中结合机器学习，有着提升开发效率的潜力。机器学习不但可以加速时间范围，还可以提高到达后期试验阶段药物的成功概率（probabilityofsuccess, POS ）。Medicxi Ventures  的合伙人DavidGrainger认为，错误发现率（False Discovery Rate, FDR ）是一个统计学现象，而避免FDR则有可能将后期试验阶段的风险减半。

此外，在药物发现的早期阶段中，现有虚拟筛选的方法名为“高通量筛选”，而它非常容易受到FDR的影响。如果可以将第3阶段试验的风险减半，就可以为大型制药公司节约数十亿美元的成本，影响其超过900亿美元的研发经费并带来有意义的回报，使其能够腾出资源集中于寻找更有潜力的机会。

备注：虚拟筛选 （virtualscreening ，VS ）也称计算机筛选，即在进行生物活性筛选之前，利用计算机上的分子对接软件模拟目标靶点与候选药物之间的相互作用，计算两者之间的亲和力大小，以降低实际筛选化合物数目，同时提高先导化合物发现效率。

医生/医院的效率。由于监管和分裂等原因，美国医疗体系在历史上对新技术的采用一直十分缓慢。除了需要应对系统的挑战，从药物发现到医生和诊所将新药应用于医疗实践之间的过程往往十分漫长且没有连续性。

数据的聚合，不断改进的数据捕获技术，以及独立医院的不断减少等，已经为数据的大规模利用创造了一个前所未有的机遇。这一切也将提高机器学习算法和人工智能的各项功能，在医疗领域的各个方面改善速度、降低成本和提高精度。

医疗领域的重要痛点之一，是药物发现与开发的时间和成本。根据塔夫特药物发展研究中心（Tufts Center for the study of Drug Development）的数据，一款新药的面市从药物发现到获得FDA批准平均大约需要97个月。

开发一款成功药物的成本持续增加，但由于报销制度中的不利因素、患者量的降低和企业间的竞争等，新药研发的收入回报环境也不容乐观。

医疗领域的一项特别挑战，依然是医生的医疗实践明显滞后于新药和新治疗方法的获批。因此，许多医疗领域的机器学习和人工智能专家正不断鼓励主要的医疗服务供应商，让在其工作流程中融入现代的机器学习工具，以使其充分利用收集到的和已发表的海量医疗数据存储。

机器学习和人工智能可有望降低药物发现和医疗实践之间的时间差；与此同时，它们还能对治疗进行优化。

例如，从北美放射学会2009年对肝胆放射的研究可见，23％的第二意见会改变诊断结论，而这也是专注于医学影像的机器学习公司有望能解决的领域。

此外，那些致力于利用机器学习在基因组层面进行疾病判断的公司，例如Deep Genomics  等，正帮助供应商精确定位，以提供更有效和更有针对性的治疗。

药物发现始于最初的目标确定。一旦确定目标后，人们通常利用高通量筛选（HTS）来“命中发现”。HTS成本十分昂贵，它由机器人自动完成，通过在同一时间进行数以百万计的试验，找出最有潜力达到目标的化合物，提高药物发现的“命中”几率。“命中”的结果经过优化成为导引化合物，然后再进一步深入优化，为进入临床前药物开发过程做好准备。当一款药物在进入第一阶段之前，这整个过程下来通常就需要1-3年。

第一阶段：

重点为安全性；健康的志愿者。

第二阶段：

重点为有效性；有某种疾病或健康状况的志愿者。

第三阶段：

进一步收集不同人群有关安全性和有效性、剂量和药物联用等的信息。志愿者数量为几百到数千名。

在医疗领域，完美利用机器学习和AI优势的案例范围很广。在那些案例中，决策或预测不是由人的理解或直觉，而是由数据、由那些远远超出人类能力范畴的各种影响因素考量而驱动的。深度学习更是展示了其独特的潜力，因为它可以利用在不同任务中学到的知识，来提高在其他任务中的绩效。因此，迄今为止，学者们已经纷纷倡导利用AI/ML开发有效和准确的虚拟筛选方法，以取代昂贵且耗时的高通量筛选过程。

最近，谷歌和斯坦福的研究人员正致力于利用深度学习开发虚拟筛选技术，以取代或增强传统的高通量筛选（HTS）过程，并提高筛选的速度和成功率。通过应用深度学习，研究人员能够实现跨越多个靶点的众多实验的信息共享。

正如Bharath Ramsundar 等在其一篇机器学习相关的论文中所称：“我们的实验表明，深层神经网络优于所有其他方法……尤其在于，深层神经网络大大超越了所有现有的商业解决方案。

在许多靶点上，它都实现了接近完美的预测质量，使其尤其适合被用作虚拟筛选装置。总之，深度学习提供了建立虚拟筛选并将其作为药物设计管道中标准步骤的机会。”

（Massively Multitask Networks for Drug Discovery，2015/2/6）

Atomwise 最近利用AI技术， 在不到一天的时间内对现有的7 000多种药物进行了分析测试，为寻找埃博拉病毒治疗方案做出了贡献。根据该公司的统计，如果利用传统方法，这项分析需要花费数月甚至数年才能完成。

药物发现失败的成本。根据我们的分析，通过实施机器学习和人工智能，在以下情况人们有望将药物开发与发现的相关风险减半：

人工智能在新药研发中的应用

五、人工智能影像组学

①基于乳腺钼靶图像特征的乳腺癌发病预测模型搭建

②结合属性与卷积神经网络的肺结节良恶分类研究

基于乳腺钼靶图像特征的乳腺癌

发病预测模型搭建

分割结果

图像分割（背景）

·胸肌在CC位图像中占位几乎是不存在的,即使存在也可以忽略不计

·MLO位的分割由于胸肌界限经常与乳腺组织混合给分割精度造了难度

·通过强度对比，第一块和第三块是两个极端，通过第二块的强度的偏度分若偏度靠近第一块则说明胸肌超过1/3，则在后2/3块重复上述步骤；反之则直接取第一块作为裁剪区域

·行的步骤和列的截取一样

基于全卷积网络的胸肌分割

由于神经网络的兴起，一种和传统算法截然不同的思路，在分割的领域同样取得了很好的效果，课题采用了Full-convolution^[9]的原理

不足：

1．分割的数据集虽然数量足够但是出自同源，若有成像差异的数据源可能精度会有所下降。

2．本文的特征提取区域过大，导致计算量增大；同时，由于乳腺区域的无用信息，使其会对预测结果产生干扰。

3．特征种类还是不够多。

展望：

学无止境，尽管通过特征提取配合机器学习的方法得出的最终模型的思路及方法已经成熟，越来越多的学者通过这种千篇一律的方法得出结果。但是世界上的方法是无穷无尽的，完全可以跳出这个框架的范畴，集思广益从而得出预测精度更高，效率更快的算法。

不足与展望：

（1）本文的训练数据来源于公共数据LIDC，数据量有限，希望以后能获取更多的肺结节测试数据，测试模型的鲁棒性，提升模型的评估客观性。

（2）目前ALNC在总体上接近医师平均水平，但有些任务仍不如医师的诊断精确性，希望通过算法改进，能提升相应任务的评级精确度。

结合属性与卷积神经网络的

肺结节良恶分类研究

①  选题意义及目的

②  国内外研究现状

③  研究目标与内容

④  研究方案与路线

早发现、早诊断、早治疗

调查统计发现[2]，肺癌的治愈率与诊断时的临床分期密切相关，I期肺癌患者术后5年生存率为60％，而II-IV期病人总的5年生存率则下降到40％至5％。因此，肺癌的早期诊断和治疗至关重要。

“早发现、早诊断、早治疗”是提高肺癌患者生存率最有效的方法。

[2] Henschke,C.I.,Naidich,D.P.,Yankelevitz,D.F.,Mcguinness,G.,Mccauley,D.I.,& Smith,J.P.,et al.(2001).Early lung cancer action project:initial findings on repeat screenings. Cancer, 92(1),153.

低剂量CT扫描——肺癌筛检最有效的影像学方法

①  影像学检查是肺癌早期筛查的重要环节。

②  肺结节是肺癌早期最重要的影像学表现[3] 。

③  普通胸部X线片在筛查肺结节时存在一定局限性。

④  低剂量CT扫描成为肺癌筛检最有效的影像学方法[4]。

[3] 张国桢.(2008).肺癌的影像诊断学研究进展. 中国肺癌杂志, 11(1), 17-20.

[4] Weszka,J. S.,Dyer,C.R., & Rosenfeld,A.(2010).A comparative study of texture measures for terrain classification.IEEE Transactions on Systems Man & Cybernetics, SMC-6(4), 269-285.

本课题“结合属性与卷积神经网络的肺结节良恶分类”，利用肺部CT图像数据库(LIDC)的图像与注释数据，构建一个同时学习肺结节属性分类与良恶分类的卷积神经网络，设计了适应性的损失函数平衡两者的训练影响。目的是研究肺结节属性对其良恶性分类的影响，并依此设计能够提升良恶性分类准确度的算法模型，最终由训练生成的网络模型对肺结节进行良恶性分类。

以此得到的分类结果可以为临床医生提供参考意见，并且可以提高诊断效率。

研究一种新型、性能优良的肺结节良恶分类CAD模型。

α的实验验证

不足与展望：

（1）本文的训练数据来源于公共数据LIDC，数据量有限，希望以后能获取更多的肺结节测试数据，测试模型的鲁棒性，提升模型的评估客观性。

（2）目前ALNC在总体上接近医师平均水平，但有些任务仍不如医师的诊断精确性，希望通过算法改进，能提升相应任务的评级精确度。