人工智能辅助恶性肿瘤诊断的应用进展
发布时间：2021-06-25 06:43
人工智能（AI）亦称机器智能,是通过计算机程序实现类似人类智能行为技术。AI具有强大的数据处理功能,目前已用于多个领域,包括人脸识别、语言识别、图像处理和数据挖掘等。基于恶性肿瘤患者的大量文字病史记录和各类检查资料,AI在辅助恶性肿瘤诊断与治疗方面具有独特优势。AI可量化肉眼无法识别的肿瘤图像信息加以运算联系,可将不同类型的数据流整合成肿瘤综合诊断系统,包括影像、病理图像,基因分析数据,甚至电子健康记录等文字资料。本文将对AI的基本原理及其辅助诊断恶性肿瘤的应用进展进行综述。
【文章来源】：肿瘤防治研究. 2020,47(10)CSCD
【文章页数】：5 页
【部分图文】：
近十年“Medline/PubMed”中“Deep learning”在肿瘤诊疗领域文章发表情况
机器学习(machine learning,ML)是AI的分支,兴起于20世纪80年代。ML主要研究计算机如何模拟或实现人类的学习行为,获取新知识、完善已有知识框架和自身性能。ML可在无明确编程指令的情况下执行任务,发现数据间的隐藏关系[2],进行数据分析,常用的Logistic回归、线性回归、决策树、随机森林(random forest,RF)、朴素贝叶斯和K-means聚类分析、多层感知机(multi-layer perceptron,MLP)、支持向量机(support vector machine,SVM)等[3]均属于ML,其中Logistic回归广泛用于肿瘤学研究[4]。ML可分为有监督学习、无监督学习和增强学习。有监督学习是将有明确标签的数据按一定规则或比例随机分为训练集和验证集,对训练数据进行拟合获得模型,通过验证集检验该模型的效能,从而得出结论,常用于处理数据回归和分类问题。例如,通过统计儿童性别、各年龄阶段的身高和体重等数据,得出儿童身体发育模型(回归),进而用于判断普通儿童的发育状态(分类)。无监督学习是指数据没有分类标签,计算机根据数据间的相似性或差异进行聚类[5],使同类数据差异最小,不同类数据差异最大,常用于数据降维处理和聚类分析。例如人脸识别系统,客户端将面部图像进行特征提取(降维),与用户信息一起输入服务器终端,当需要识别时内部系统会对新的面部特征与终端进行匹配,即使与录入时的光线、角度不同,仍能准确识别用户身份(聚类)。增强学习,是指先利用未分类数据进行训练,建立初步模型,再通过反馈性评价模型优劣指导下一步学习,通过不断地试错和反馈进行“自我学习”,一般解决序列决策和智能控制问题。我们熟知的“Alpha-Go”和“无人驾驶汽车”就是增强学习模型的典型代表,其中无人驾驶汽车是通过车载传感器感知车辆周围环境,并根据车况和路况控制车转向和速度,从而实现安全行驶。人工神经网络(artificial neural networks,ANN)和深度学习是机器学习的新领域,旨在通过计算机模拟人类大脑进行数据分析。AI、ML和DL三者关系,见图1。ANN源于人大脑神经元相互连接的生物学习模式[6],具有级联、变化和分层等能力。DL是ANN的进阶,使用分层ANN开发更为复杂的学习模型,以理解不同维度的数据[7]。DL包括深度信念网络(deep belief network,DBN)、卷积神经网络(convolution neural networks,CNN)和递归神经网络(recurrent neural network,RNN)等,其中卷积神经网络算法在图像处理方面具有独特优势,已用于临床影像数据特征提取和分析,递归神经网络算法通过对时间序列数据进行分析,用于疾病动态监测。传统ML需将原始数据进行特征提取并处理为结构化数据集,无法直接处理非结构化的数据。DL能直接处理包括图像、声音、语言在内的非结构化数据,在临床影像分类、病历文本分析和肿瘤诊断[8-9]方面具有优势。
【参考文献】：
期刊论文
[1]人工智能在病理诊断领域中的应用[J]. 沈晓涵,杜祥. 肿瘤防治研究. 2020(07)
[2]基于生命/影像组学和人工智能的精确放射治疗:思考与展望[J]. 王卫东,郞锦义. 中国肿瘤临床. 2018(12)
本文编号：3248712
【文章来源】：肿瘤防治研究. 2020,47(10)CSCD
【文章页数】：5 页
【部分图文】：
近十年“Medline/PubMed”中“Deep learning”在肿瘤诊疗领域文章发表情况
机器学习(machine learning,ML)是AI的分支,兴起于20世纪80年代。ML主要研究计算机如何模拟或实现人类的学习行为,获取新知识、完善已有知识框架和自身性能。ML可在无明确编程指令的情况下执行任务,发现数据间的隐藏关系[2],进行数据分析,常用的Logistic回归、线性回归、决策树、随机森林(random forest,RF)、朴素贝叶斯和K-means聚类分析、多层感知机(multi-layer perceptron,MLP)、支持向量机(support vector machine,SVM)等[3]均属于ML,其中Logistic回归广泛用于肿瘤学研究[4]。ML可分为有监督学习、无监督学习和增强学习。有监督学习是将有明确标签的数据按一定规则或比例随机分为训练集和验证集,对训练数据进行拟合获得模型,通过验证集检验该模型的效能,从而得出结论,常用于处理数据回归和分类问题。例如,通过统计儿童性别、各年龄阶段的身高和体重等数据,得出儿童身体发育模型(回归),进而用于判断普通儿童的发育状态(分类)。无监督学习是指数据没有分类标签,计算机根据数据间的相似性或差异进行聚类[5],使同类数据差异最小,不同类数据差异最大,常用于数据降维处理和聚类分析。例如人脸识别系统,客户端将面部图像进行特征提取(降维),与用户信息一起输入服务器终端,当需要识别时内部系统会对新的面部特征与终端进行匹配,即使与录入时的光线、角度不同,仍能准确识别用户身份(聚类)。增强学习,是指先利用未分类数据进行训练,建立初步模型,再通过反馈性评价模型优劣指导下一步学习,通过不断地试错和反馈进行“自我学习”,一般解决序列决策和智能控制问题。我们熟知的“Alpha-Go”和“无人驾驶汽车”就是增强学习模型的典型代表,其中无人驾驶汽车是通过车载传感器感知车辆周围环境,并根据车况和路况控制车转向和速度,从而实现安全行驶。人工神经网络(artificial neural networks,ANN)和深度学习是机器学习的新领域,旨在通过计算机模拟人类大脑进行数据分析。AI、ML和DL三者关系,见图1。ANN源于人大脑神经元相互连接的生物学习模式[6],具有级联、变化和分层等能力。DL是ANN的进阶,使用分层ANN开发更为复杂的学习模型,以理解不同维度的数据[7]。DL包括深度信念网络(deep belief network,DBN)、卷积神经网络(convolution neural networks,CNN)和递归神经网络(recurrent neural network,RNN)等,其中卷积神经网络算法在图像处理方面具有独特优势,已用于临床影像数据特征提取和分析,递归神经网络算法通过对时间序列数据进行分析,用于疾病动态监测。传统ML需将原始数据进行特征提取并处理为结构化数据集,无法直接处理非结构化的数据。DL能直接处理包括图像、声音、语言在内的非结构化数据,在临床影像分类、病历文本分析和肿瘤诊断[8-9]方面具有优势。
【参考文献】：
期刊论文
[1]人工智能在病理诊断领域中的应用[J]. 沈晓涵,杜祥. 肿瘤防治研究. 2020(07)
[2]基于生命/影像组学和人工智能的精确放射治疗:思考与展望[J]. 王卫东,郞锦义. 中国肿瘤临床. 2018(12)
本文编号：3248712
本文链接：https://www.wllwen.com/yixuelunwen/zlx/3248712.html
