人工智能助力检验医学发展
发布时间：2020-12-02 10:25
2017年以来,中国、美国和欧盟先后发布了国家级人工智能（AI）战略发展规划,人类历史即将迎来以"智能化"为主旋律的第四次工业革命。在医疗检验领域,人工智能的理论和技术爆发也将为医学检验理论、方法与应用的发展提供新方向,本文首先从人工智能的理论与实践基础出发,介绍人工智能的发展历程以及算法、数据和算力三大要素的前沿进展,进而结合医学检验的关键应用维度,阐述"AI+检验"的结合创新,包括涉及检验标本处理的标本采集机器人、样本稀释机器人和样本传送机器人;检验项目挖掘如肿瘤标志物和药物基因组学;检验细胞形态学、检验数据处理、辅助诊断模型和互联网医学检验等。随着工业4.0时代的到来,人工智能技术必将推动医学检验从自动化发展到更高阶的智能化阶段。
【文章来源】：南方医科大学学报. 2020年02期 第287-297页 北大核心
【文章页数】：11 页
【部分图文】：
迁移学习概念图
1.3.2 深度学习深度学习是机器学习的一个分支，深度学习用无监督式或半监督式的特征学习和分层特征提取高效算法来替代传统特征提取算法[9]。深度学习引入了感知器这一概念并且将神经元视作一个功能逻辑器，同时将神经元活动简化为了3个过程：输入信号线性加权，求和，非线性激活。神经元构成的神经网络由3部分组成：输入层，隐藏层，输出层，3者均由权值连接，输入层接收外界信息，隐藏层和输出层的神经元对信息进行函数处理，最后神经网络模拟人类大脑做出决策[10]。深度学习依赖数据来提升算法准确率，数据集质量越高，深度学习对特征的学习效果就越好，深度学习概念如图2所示。
深度学习和强化学习任务均从零知识开始，这意味着模型的结构和参数开始是随机猜测的。除此之外，实现机器学习需要大量标注好的高质量数据以及强大的计算资源和算力基础。因此学者们考虑对已有大数据集进行最大程度的开发，于是迁移学习诞生了。迁移学习也是实现机器学习的一种手段，迁移学习可以理解为将计算机在一个任务上学习到的知识迁移到另一个新任务上，作为其起点继续对新任务进行学习。迁移学习包括基于实例的迁移学习，其特点为源域实例类似目标域实例；基于特征的迁移学习，其特点为源域特征与目标域特征有重叠；以及在训练阶段共享一部分参数或者先验分布的基于共享参数的迁移学习[13]，迁移学习概念如图3所示。图3 迁移学习概念图
【参考文献】：
期刊论文
[1]大数据背景下高校临床检验诊断学教学思考[J]. 田刚,何鹏,宋敏,朱喜丹,刘靳波. 现代医药卫生. 2019(13)
[2]临床疾病诊断字典库的应用研究[J]. 柯莉,林伟研,刘养奇,林志丰,欧伟麟,潘苑怡,徐晓明,王琼. 中国数字医学. 2019(06)
[3]基于YOLO模型的宫颈细胞簇团智能识别方法[J]. 郑欣,田博,李晶晶. 液晶与显示. 2018(11)
[4]一种大数据环境下医疗隐私保护方案设计与实现[J]. 胡荣磊,何艳琼,曾萍,范晓红. 信息网络安全. 2018(09)
[5]人工智能与医学——发展历程[J]. 寿君妮,于观贞,余党会,李冠南. 第二军医大学学报. 2018(08)
[6]基于改进Hessian矩阵的冠脉造影图像增强算法研究[J]. 陈楷丰. 网络安全技术与应用. 2018(07)
[7]人工智能、大数据和算力的融合发展[J]. 王珺. 科技经济导刊. 2018(16)
[8]人工智能的三次发展高潮[J]. 机床与液压. 2018(08)
[9]5G综述及中国的进展（英文）[J]. Shan-zhi CHEN,Shao-li KANG. Frontiers of Information Technology & Electronic Engineering. 2018(03)
[10]基于卷积神经网络的外周血白细胞分类[J]. 陈畅,程少杰,李卫滨,陈敏. 中国生物医学工程学报. 2018(01)
硕士论文
[1]基于卷积神经网络的体液细胞图像有形成分的特征识别方法研究[D]. 蔡立章.湘潭大学 2017
[2]白带显微图像中有型成分的智能识别技术研究[D]. 胡静蓉.电子科技大学 2017
本文编号：2895170
【文章来源】：南方医科大学学报. 2020年02期 第287-297页 北大核心
【文章页数】：11 页
【部分图文】：
迁移学习概念图
1.3.2 深度学习深度学习是机器学习的一个分支，深度学习用无监督式或半监督式的特征学习和分层特征提取高效算法来替代传统特征提取算法[9]。深度学习引入了感知器这一概念并且将神经元视作一个功能逻辑器，同时将神经元活动简化为了3个过程：输入信号线性加权，求和，非线性激活。神经元构成的神经网络由3部分组成：输入层，隐藏层，输出层，3者均由权值连接，输入层接收外界信息，隐藏层和输出层的神经元对信息进行函数处理，最后神经网络模拟人类大脑做出决策[10]。深度学习依赖数据来提升算法准确率，数据集质量越高，深度学习对特征的学习效果就越好，深度学习概念如图2所示。
深度学习和强化学习任务均从零知识开始，这意味着模型的结构和参数开始是随机猜测的。除此之外，实现机器学习需要大量标注好的高质量数据以及强大的计算资源和算力基础。因此学者们考虑对已有大数据集进行最大程度的开发，于是迁移学习诞生了。迁移学习也是实现机器学习的一种手段，迁移学习可以理解为将计算机在一个任务上学习到的知识迁移到另一个新任务上，作为其起点继续对新任务进行学习。迁移学习包括基于实例的迁移学习，其特点为源域实例类似目标域实例；基于特征的迁移学习，其特点为源域特征与目标域特征有重叠；以及在训练阶段共享一部分参数或者先验分布的基于共享参数的迁移学习[13]，迁移学习概念如图3所示。图3 迁移学习概念图
【参考文献】：
期刊论文
[1]大数据背景下高校临床检验诊断学教学思考[J]. 田刚,何鹏,宋敏,朱喜丹,刘靳波. 现代医药卫生. 2019(13)
[2]临床疾病诊断字典库的应用研究[J]. 柯莉,林伟研,刘养奇,林志丰,欧伟麟,潘苑怡,徐晓明,王琼. 中国数字医学. 2019(06)
[3]基于YOLO模型的宫颈细胞簇团智能识别方法[J]. 郑欣,田博,李晶晶. 液晶与显示. 2018(11)
[4]一种大数据环境下医疗隐私保护方案设计与实现[J]. 胡荣磊,何艳琼,曾萍,范晓红. 信息网络安全. 2018(09)
[5]人工智能与医学——发展历程[J]. 寿君妮,于观贞,余党会,李冠南. 第二军医大学学报. 2018(08)
[6]基于改进Hessian矩阵的冠脉造影图像增强算法研究[J]. 陈楷丰. 网络安全技术与应用. 2018(07)
[7]人工智能、大数据和算力的融合发展[J]. 王珺. 科技经济导刊. 2018(16)
[8]人工智能的三次发展高潮[J]. 机床与液压. 2018(08)
[9]5G综述及中国的进展（英文）[J]. Shan-zhi CHEN,Shao-li KANG. Frontiers of Information Technology & Electronic Engineering. 2018(03)
[10]基于卷积神经网络的外周血白细胞分类[J]. 陈畅,程少杰,李卫滨,陈敏. 中国生物医学工程学报. 2018(01)
硕士论文
[1]基于卷积神经网络的体液细胞图像有形成分的特征识别方法研究[D]. 蔡立章.湘潭大学 2017
[2]白带显微图像中有型成分的智能识别技术研究[D]. 胡静蓉.电子科技大学 2017
本文编号：2895170
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/2895170.html
