機器學(xué)習(xí)在放射學(xué)中的應(yīng)用和未來影響(參考版)
2025-07-01 01:18本頁面
【正文】 參考文獻：[1] Choy G, Khalilzadeh O, Michalski M, et al. Current Applications and Future Impact of Machine Learning in Radiology[J]. Radiology, 2018, 288(2): 318328. 專業(yè)整理分享 。 在可預(yù)見的未來，預(yù)計機器學(xué)習(xí)和人工智能不會取代放射科醫(yī)師。 他們發(fā)現(xiàn)了各種健康狀況的廣泛預(yù)測特征。將深度學(xué)習(xí)應(yīng)用于電子病歷數(shù)據(jù)時，可以幫助推導(dǎo)出可能導(dǎo)致臨床預(yù)測和臨床決策支持系統(tǒng)擴充的患者表征。OakdenRayner等人利用胸部CT內(nèi)的特征，通過檢測指示這些CT中個體健康狀況的特征來預(yù)測患者的壽命。 這項工作的早期階段最近已經(jīng)開始。例如，Zhang等人利用機器學(xué)習(xí)方法評估了從MR圖像中提取的970多個放射組學(xué)特征，并與預(yù)測晚期鼻咽癌局部和遠端治療失敗的特征相關(guān)聯(lián)。精準(zhǔn)醫(yī)學(xué)需要使用新穎的計算技術(shù)對發(fā)現(xiàn)個體化疾病因素和治療決策所需的大量數(shù)據(jù)進行控制。診斷成像可能是應(yīng)用機器學(xué)習(xí)算法的第一個醫(yī)學(xué)學(xué)科之一，但其他領(lǐng)域，如病理學(xué)，心臟病學(xué)，皮膚病學(xué)和胃腸病學(xué)也有潛在的應(yīng)用潛力。這可以為個性化醫(yī)學(xué)（或精準(zhǔn)醫(yī)學(xué)）開辟道路，其中基因、環(huán)境和每個人生活方式因素等個體差異都被用來考慮疾病預(yù)防，治療和預(yù)后。醫(yī)學(xué)放射學(xué)與醫(yī)學(xué)放射學(xué)的未來發(fā)展方向4大量電子病歷數(shù)據(jù)的可用性允許創(chuàng)建跨學(xué)科數(shù)據(jù)池。目前，許多人工智能系統(tǒng)正在開發(fā)相當(dāng)明顯的任務(wù)，這些任務(wù)對人類來說幾乎沒有挑戰(zhàn)。相反，這些技術(shù)有望幫助放射科醫(yī)師，增強放射工作流程，并提高放射科醫(yī)師的診斷準(zhǔn)確性。更好的是，應(yīng)該向醫(yī)療保健專業(yè)人員提供這些建議的基礎(chǔ)，并進行審查。 在出現(xiàn)醫(yī)療錯誤的情況下，機器學(xué)習(xí)系統(tǒng)的制造商和開發(fā)人員可能不負責(zé)任，因為根據(jù)定義，計算機正在以開發(fā)人員不知道的方式基于數(shù)據(jù)集學(xué)習(xí)和重新學(xué)習(xí)。放射科醫(yī)生的工作視角和法醫(yī)學(xué)問題4需要監(jiān)控用于臨床診斷和決策的機器學(xué)習(xí)系統(tǒng)的性能。 視覺顯著性圖可以突出圖像中的區(qū)域，這些區(qū)域已經(jīng)吸引了人類觀察者的注意力以執(zhí)行分類任務(wù)。()。目前，當(dāng)學(xué)習(xí)無人監(jiān)督時，解構(gòu)機器決策因素的可見性有限。解讀人工智能的黑匣子4就其本質(zhì)而言，機器學(xué)習(xí)開發(fā)了無法用簡單的術(shù)語來解釋的復(fù)雜高維功能。這具有挑戰(zhàn)性，因為FDA需要保證算法的性能將持續(xù)改善并且不會下降。 例如，一種機器學(xué)習(xí)算法被設(shè)計用于找到人眼無法觀察的數(shù)據(jù)中的關(guān)聯(lián)，人類專家驗證對于該算法具有挑戰(zhàn)性。 臨床驗證研究應(yīng)該與人類專家達到充分的一致性。4將機器學(xué)習(xí)整合到臨床環(huán)境中的重要一步是獲得美國食品和藥物管理局（FDA）的批準(zhǔn)。供應(yīng)商和研究人員都必須致力于創(chuàng)建平臺，以便不斷學(xué)習(xí)和升級機器學(xué)習(xí)算法。在放射信息學(xué)價值鏈的生態(tài)系統(tǒng)中，需要做更多的工作來更好地結(jié)合新穎的機器學(xué)習(xí)技術(shù)。監(jiān)管和工作流程整合4基于機器學(xué)習(xí)的算法目前尚未很好地集成到圖像存檔和通信系統(tǒng)工作站中。().4此外，標(biāo)準(zhǔn)方法可以使圖像注釋在不同的信息技術(shù)系統(tǒng)以及數(shù)據(jù)通信和交換的軟件應(yīng)用程序之間得到交互操作。這些使用案例需要與臨床實踐、醫(yī)學(xué)成像中人工智能方面的法律、法規(guī)以及道德問題保持一致。此外，驗證過程必須是高度魯棒性的，否則，該算法可能會被過度擬合到特定的數(shù)據(jù)子子集。多個技術(shù)公司和學(xué)術(shù)研究項目依靠訓(xùn)練有素的放射科醫(yī)師在放射學(xué)報告和圖像上的注釋，這被認(rèn)為是真理（金標(biāo)準(zhǔn)）。過度擬合是機器學(xué)習(xí)中的主要挑戰(zhàn)，特別是當(dāng)模型過于復(fù)雜時。過度擬合的算法對訓(xùn)練數(shù)據(jù)的微小變化反應(yīng)過度。高方差可以使算法過分地學(xué)習(xí)數(shù)據(jù)并開始擬合隨機噪聲（過度擬合）。方差和偏差是可能導(dǎo)致機器學(xué)習(xí)算法性能差的問題。3源數(shù)據(jù)中的混淆元素可能導(dǎo)致機器學(xué)習(xí)算法的失敗。例如，分段任務(wù)可能只需要一小組數(shù)據(jù)。窄范圍機器學(xué)習(xí)算法可能不需要大量訓(xùn)練數(shù)據(jù)，但可能需要高質(zhì)量的地面實況訓(xùn)練數(shù)據(jù)。主要的障礙和挑戰(zhàn)3收集高質(zhì)量的地面實況數(shù)據(jù)、開發(fā)可推廣和診斷準(zhǔn)確的技術(shù)以及工作流的集成是在放射學(xué)實踐中采用機器學(xué)習(xí)所面臨的主要挑戰(zhàn)。這些數(shù)據(jù)的可用性為數(shù)據(jù)挖掘提供了前所未有的機會，但也帶來了異構(gòu)數(shù)據(jù)源集成的挑戰(zhàn)（例如，成像數(shù)據(jù)與文本數(shù)據(jù)）。自動數(shù)據(jù)集成和分析3在電子病歷中，存在來自各種數(shù)據(jù)源的異構(gòu)數(shù)據(jù)池（稱為多視圖數(shù)據(jù)）。機器學(xué)習(xí)技術(shù)還可用于從放射學(xué)報告中提取術(shù)語，以提高質(zhì)量和分析。自然語言處理器可以從敘述性的放射學(xué)報告中提取影像學(xué)表現(xiàn)和器官測量值，并對提取的測量值進行分類。放射學(xué)報告與分析3機器學(xué)習(xí)技術(shù)在自然語言處理中得到了廣泛的應(yīng)用。利用神經(jīng)網(wǎng)絡(luò)進行自動輻射劑量估算在放射腫瘤學(xué)領(lǐng)域已經(jīng)
研究報告相關(guān)推薦
鄂ICP備17016276號-1