機(jī)器學(xué)習(xí)在放射學(xué)中的應(yīng)用和未來(lái)影響-wenkub.com
2025-06-25 01:18 本頁(yè)面
【正文】 這些技術(shù)可以潛在地促進(jìn)放射學(xué)工作流程，提高放射科醫(yī)生的生產(chǎn)率，改進(jìn)檢測(cè)和影像學(xué)表現(xiàn)的解釋?zhuān)瑴p少錯(cuò)誤的機(jī)會(huì)，并增強(qiáng)患者的護(hù)理和滿意度。Miotto等人評(píng)估了來(lái)自超過(guò)70萬(wàn)患者的醫(yī)療記錄，這些患者的無(wú)監(jiān)督深度學(xué)習(xí)表現(xiàn)為“深部患者”。 例如，可以通過(guò)機(jī)器學(xué)習(xí)準(zhǔn)確地估計(jì)腦腫瘤對(duì)治療的反應(yīng)。放射組學(xué)是一個(gè)新興的機(jī)器學(xué)習(xí)領(lǐng)域，它能夠?qū)⒎派鋱D像轉(zhuǎn)換為可挖掘的高維數(shù)據(jù)。5審查各種此類(lèi)數(shù)據(jù)（社會(huì)人口統(tǒng)計(jì)學(xué)，成像，臨床，實(shí)驗(yàn)室和遺傳）的機(jī)器學(xué)習(xí)方法有可能實(shí)現(xiàn)進(jìn)一步的個(gè)性化醫(yī)療保健，這遠(yuǎn)遠(yuǎn)超出僅通過(guò)成像應(yīng)用可能實(shí)現(xiàn)的目標(biāo)?？鐚W(xué)科合作與精準(zhǔn)醫(yī)學(xué)50、機(jī)器學(xué)習(xí)模型在過(guò)去幾年中得到迅速發(fā)展。如果集中考慮放射科醫(yī)生所面臨的挑戰(zhàn)，人工智能系統(tǒng)可以增加更多價(jià)值。在可預(yù)見(jiàn)的未來(lái)，機(jī)器學(xué)習(xí)不會(huì)取代放射科醫(yī)師。醫(yī)生將獲得醫(yī)療診斷和治療的所有權(quán)交給患者。4視覺(jué)顯著性是一種可以感知的質(zhì)量，這使一些物品能夠從鄰居中脫穎而出并立即引起我們的注意。在識(shí)別潛在原因和邏輯很重要的領(lǐng)域（例如醫(yī)療保健）中被接受使得機(jī)器學(xué)習(xí)的可解釋性成為主要挑戰(zhàn)之一。另一個(gè)例子是繼續(xù)在用戶手中學(xué)習(xí)并且隨著時(shí)間的推移表現(xiàn)更好的算法。在臨床使用機(jī)器學(xué)習(xí)應(yīng)用程序之前，應(yīng)向FDA提交有關(guān)算法開(kāi)發(fā)和臨床驗(yàn)證的特定信息?？赡苄枰獮闄C(jī)器學(xué)習(xí)算法與現(xiàn)有系統(tǒng)的互操作性設(shè)置標(biāo)準(zhǔn)。美國(guó)國(guó)家癌癥研究所的注釋和圖像標(biāo)記模型為圖像和圖像特征的注釋提供了一種可能的標(biāo)準(zhǔn)方法。定義標(biāo)準(zhǔn)4合理地開(kāi)發(fā)人工智能工具需要定義標(biāo)準(zhǔn)化用例和注釋工具。地面實(shí)況注釋4廣泛的地面真理注釋往往需要對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行適當(dāng)?shù)挠?xùn)練。最優(yōu)模型不僅準(zhǔn)確地表示訓(xùn)練數(shù)據(jù)，而且可以推廣到看不見(jiàn)的數(shù)據(jù)。由于神經(jīng)網(wǎng)絡(luò)缺乏大量特定特征，因此罕見(jiàn)的發(fā)現(xiàn)或特征也可能是其弱點(diǎn)，因此容易出現(xiàn)不準(zhǔn)確的情況。 在醫(yī)學(xué)成像分析中，與其他類(lèi)型的機(jī)器學(xué)習(xí)一樣，所需的數(shù)據(jù)量在很大程度上取決于要執(zhí)行的任務(wù)?？梢詫⒏鞣N機(jī)器學(xué)習(xí)技術(shù)（例如核方法，矩陣分解模型和基于網(wǎng)絡(luò)的融合方法）應(yīng)用于數(shù)據(jù)集成和分析。機(jī)器學(xué)習(xí)和自然語(yǔ)言處理算法可以幫助跟蹤放射科醫(yī)師的建議，并減少后續(xù)建議通信中斷的可能性。利用自然語(yǔ)言處理從自由文本放射學(xué)報(bào)告中提取數(shù)據(jù)有助于質(zhì)量保證和性能監(jiān)測(cè)，以及臨床決策支持的大規(guī)模測(cè)試。最近的一項(xiàng)研究顯示，采用卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)CT數(shù)據(jù)中器官和特定器官的輻射劑量進(jìn)行分類(lèi)，準(zhǔn)確率超過(guò)高于96 %。比如，肝臟MRI圖像的質(zhì)量自動(dòng)評(píng)估已經(jīng)得到實(shí)現(xiàn)。然而，評(píng)價(jià)大量的圖片需要花費(fèi)醫(yī)生很長(zhǎng)的一段時(shí)間。機(jī)器學(xué)習(xí)可用于橫截面成像中三維結(jié)構(gòu)的定量評(píng)估。與其他神經(jīng)網(wǎng)絡(luò)相比，對(duì)抗生成網(wǎng)絡(luò)在圖像生成任務(wù)中表現(xiàn)出優(yōu)異的性能。一些研究已經(jīng)將機(jī)器學(xué)習(xí)的方法應(yīng)用于圖像分割，例如在乳房X光攝影（56）、身體器官（35）、或關(guān)節(jié)和肌肉骨骼組織的MR圖像中對(duì)乳房密度進(jìn)行分割。智能臨床決策支持系統(tǒng)可以提高護(hù)理質(zhì)量和成像效率，并減少檢查草案中的不良事件或錯(cuò)誤的可能性?；跈C(jī)器學(xué)習(xí)的乳腺M(fèi)R圖像特征提取可以改善對(duì)檢查結(jié)果的解釋?zhuān)M(jìn)而改善對(duì)乳腺癌的診斷。一個(gè)簡(jiǎn)單的例子是腹腔內(nèi)游離空氣，對(duì)于術(shù)后患者這可能是一個(gè)正常的發(fā)現(xiàn)，但對(duì)于一個(gè)最近沒(méi)有手術(shù)的病人則是關(guān)鍵的發(fā)現(xiàn)。2骨齡分析和基于醫(yī)學(xué)成像的解剖年齡的自動(dòng)確定對(duì)于兒科放射學(xué)和內(nèi)分泌學(xué)具有相當(dāng)大的實(shí)用價(jià)值。例如，肺結(jié)節(jié)分類(lèi)的深度學(xué)習(xí)系統(tǒng)是在經(jīng)驗(yàn)豐富的人類(lèi)觀察者之間的差異中進(jìn)行的。但矛盾的是，計(jì)算機(jī)輔助診斷可能會(huì)被一些乳腺癌患者忽視，限制其臨床應(yīng)效益。例如，有研究證實(shí)了可以將機(jī)器學(xué)習(xí)應(yīng)用于類(lèi)似肺結(jié)節(jié)和甲狀腺結(jié)節(jié)等偶然的結(jié)果提取?；跈C(jī)器學(xué)習(xí)的數(shù)據(jù)處理方法具有可以減少成像時(shí)間的潛力。Efren Flores博士在馬薩諸塞州總醫(yī)院（波士頓，Mulk）領(lǐng)導(dǎo)的一個(gè)項(xiàng)目是使用機(jī)器學(xué)習(xí)和預(yù)測(cè)分析來(lái)識(shí)別那些因?yàn)槲茨苋缂s參加放射治療的高?；颊摺８鶕?jù)定義來(lái)看，機(jī)器學(xué)習(xí)算法是通過(guò)經(jīng)驗(yàn)而非規(guī)則來(lái)自動(dòng)改善。機(jī)器學(xué)習(xí)與人工智能1與機(jī)器學(xué)習(xí)相比，人工智能（或機(jī)器智能）可以通過(guò)計(jì)算機(jī)執(zhí)行更廣泛的人工智能，如問(wèn)題解決，規(guī)劃，知識(shí)表示，語(yǔ)言處理，或“學(xué)習(xí)”。一種基于規(guī)則的方法暴露于現(xiàn)實(shí)世界時(shí)可能會(huì)被打破，因?yàn)檎鎸?shí)世界經(jīng)常會(huì)出現(xiàn)一些程序員使用的規(guī)則所定義算法中未包含的示例。此外，企業(yè)積累了包括醫(yī)學(xué)圖像在內(nèi)的大量數(shù)字?jǐn)?shù)據(jù)，數(shù)字化已經(jīng)發(fā)展幾十年。用于深度神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)的開(kāi)放源代碼工具1在掌握了適當(dāng)?shù)幕A(chǔ)知識(shí)后，可以采用相對(duì)簡(jiǎn)單的低成本軟件來(lái)進(jìn)行機(jī)器學(xué)習(xí)。驗(yàn)證集采用單獨(dú)的數(shù)據(jù)評(píng)估進(jìn)行模型擬合的評(píng)估和模型參數(shù)的調(diào)整。機(jī)器學(xué)習(xí)數(shù)據(jù)集通常情況下，機(jī)器學(xué)習(xí)的應(yīng)用需要采用一個(gè)訓(xùn)練測(cè)試系統(tǒng)。ImageNet是一個(gè)大型圖像數(shù)據(jù)庫(kù)，庫(kù)中的圖像已經(jīng)過(guò)手工標(biāo)注圖像中的對(duì)象。CNNs（圖4）是目前醫(yī)學(xué)成像中最常用的機(jī)器學(xué)習(xí)技術(shù)。卷積神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入、輸出層和多個(gè)隱層構(gòu)成，這些隱層（卷積）對(duì)輸入
研究報(bào)告相關(guān)推薦
鄂ICP備17016276號(hào)-1