淺析神經(jīng)網(wǎng)絡(luò)在醫(yī)療圖像中的應(yīng)用

胡倬誠

摘 要 神經(jīng)網(wǎng)絡(luò)是一種數(shù)學(xué)模型，具有強(qiáng)大的特征表示能力和模式識別能力，特別擅長處理圖像識別、圖像分割等任務(wù)。傳統(tǒng)上，醫(yī)療圖像是通過人或機(jī)器來分析，具有效率低、準(zhǔn)確率低和數(shù)據(jù)利用率低等缺點。醫(yī)療圖像作為一類特殊的圖像，神經(jīng)網(wǎng)絡(luò)在此領(lǐng)域具有巨大的應(yīng)用潛力，例如進(jìn)行常規(guī)疾病診斷和疾病預(yù)測。文章簡要分析神經(jīng)網(wǎng)絡(luò)在醫(yī)療圖像中的應(yīng)用現(xiàn)狀，并提出展望。

關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；醫(yī)療圖像；常規(guī)疾病診斷；疾病預(yù)測

中圖分類號 TP3 文獻(xiàn)標(biāo)識碼 A 文章編號 1674-6708（2019）229-0135-03

自AlphaGo戰(zhàn)勝世界圍棋冠軍李世石以來，人工智能領(lǐng)域掀起了新一輪的應(yīng)用與研究浪潮——神經(jīng)網(wǎng)絡(luò)正是當(dāng)今人工智能的核心，廣泛應(yīng)用于各個領(lǐng)域。神經(jīng)網(wǎng)絡(luò)是一種數(shù)學(xué)模型，具有強(qiáng)大的特征表示能力和模式識別能力，在圖像識別、圖像分割、語言理解等領(lǐng)域取得了許多重要的成果。醫(yī)療圖像作為一類特殊的圖像，神經(jīng)網(wǎng)絡(luò)在此領(lǐng)域具有重要的應(yīng)用前景，例如腫瘤檢測與腫瘤位置？分割。

傳統(tǒng)上，醫(yī)療圖像需要人工進(jìn)行診斷與分析，這就不可避免帶來了一系列的麻煩。第一，醫(yī)療圖像分析基本上是一個重復(fù)性的過程，重復(fù)性的工作通常耗時且無趣；第二，不同的醫(yī)生診斷水平參差不齊，通常存在誤診現(xiàn)象；第三，某些疑難雜癥，僅憑醫(yī)生的專業(yè)知識還很難從圖像上識別出來。另外，神經(jīng)網(wǎng)絡(luò)的強(qiáng)大特征提取能力，使其能夠識別潛在的模式，能夠從海量的數(shù)據(jù)中挖掘出有價值的信息，如果能將神經(jīng)網(wǎng)絡(luò)用于分析醫(yī)療圖像，不僅能夠提高醫(yī)療診斷的效率，減少診斷繁雜步驟，還能夠提高醫(yī)療診斷的準(zhǔn)確率，更重要的是，神經(jīng)網(wǎng)絡(luò)還具有識別潛在疾病的能力。本篇論文首先將簡要概述神經(jīng)網(wǎng)絡(luò)，然后再分析神經(jīng)網(wǎng)絡(luò)在醫(yī)療圖像中的應(yīng)用及？前景。

1 神經(jīng)網(wǎng)絡(luò)簡述

神經(jīng)網(wǎng)絡(luò)是實現(xiàn)人工智能的一種形式，也是當(dāng)今人工智能的核心。生物學(xué)中，大腦中的神經(jīng)元通過復(fù)雜的關(guān)聯(lián)，使人類擁有了視覺、聽覺、記憶、學(xué)習(xí)等功能。人工智能領(lǐng)域中，神經(jīng)網(wǎng)絡(luò)是一種數(shù)學(xué)模型，旨在模仿動物神經(jīng)網(wǎng)絡(luò)的行為特征、進(jìn)行數(shù)據(jù)處理、學(xué)習(xí)并獲?。恐R。

神經(jīng)網(wǎng)絡(luò)模型通常分為3個部分：輸入層、隱藏層和輸出層，見圖1。這些層是由神經(jīng)元組成，不同層之間的神經(jīng)元以某種形式相互連接，在數(shù)學(xué)上，這些連接被稱為“權(quán)重”。神經(jīng)網(wǎng)絡(luò)模型的輸入層用于接收輸入數(shù)據(jù)；隱藏層則用于提取數(shù)據(jù)中的規(guī)律或特定的模式，這個過程稱為“學(xué)習(xí)”；輸出層則用于輸出神經(jīng)網(wǎng)絡(luò)的計算結(jié)果。根據(jù)隱藏層的多少，又將神經(jīng)網(wǎng)絡(luò)分為淺層神經(jīng)網(wǎng)絡(luò)和深層神經(jīng)網(wǎng)絡(luò)。深層神經(jīng)網(wǎng)絡(luò)至少具有兩個以上的隱藏層，而神經(jīng)網(wǎng)絡(luò)提取信息的能力通常與神經(jīng)網(wǎng)絡(luò)的層數(shù)有關(guān)，層數(shù)越多，神經(jīng)網(wǎng)絡(luò)提取信息的能力越強(qiáng)，學(xué)習(xí)能力越強(qiáng)。因此，目前應(yīng)用最廣、功能最強(qiáng)的神經(jīng)網(wǎng)絡(luò)都是深層神經(jīng)網(wǎng)絡(luò)，與之對應(yīng)的是深度學(xué)習(xí)。我們所熟知的有道翻譯詞典、支付寶的刷臉支付都離不開深度？學(xué)習(xí)。

根據(jù)神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)元的連接方式，又主要分為全連接神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)三大類，見圖1。其中卷積神經(jīng)網(wǎng)絡(luò)在圖像分類，人臉識別等視覺領(lǐng)域用途最廣，效果最好；而循環(huán)神經(jīng)網(wǎng)絡(luò)在自然語言處理和語音識別領(lǐng)域的效果更佳。因此，在醫(yī)療圖像中，目前使用最多的也是卷積神經(jīng)網(wǎng)絡(luò)。由于卷積神經(jīng)網(wǎng)絡(luò)在分類、識別任務(wù)中的出色表現(xiàn)，使得它在最近幾年得到迅速的發(fā)展，引起了科學(xué)界和產(chǎn)業(yè)界的廣泛？關(guān)注。

2 神經(jīng)網(wǎng)絡(luò)在醫(yī)療圖像中的應(yīng)用

從可預(yù)期的未來來看，深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)將會越來越廣泛地應(yīng)用于醫(yī)學(xué)領(lǐng)域，幫助解決傳統(tǒng)醫(yī)學(xué)中一些問題，并促進(jìn)現(xiàn)代醫(yī)學(xué)研究的發(fā)展；下文從傳統(tǒng)醫(yī)學(xué)中一些針對性問題進(jìn)行闡述，然后提出通過神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的方法，并對神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)中的應(yīng)用進(jìn)行展望。

2.1 常規(guī)疾病診斷

基于醫(yī)療圖像的常規(guī)疾病診斷是神經(jīng)網(wǎng)絡(luò)擅長的任務(wù)之一。利用患者的醫(yī)療圖像數(shù)據(jù)，可以建立預(yù)測某類常規(guī)疾病的神經(jīng)網(wǎng)絡(luò)模型。由于神經(jīng)網(wǎng)絡(luò)模型能夠從歷史醫(yī)療數(shù)據(jù)中獲取信息，學(xué)習(xí)知識，可以很快的處理新的醫(yī)療圖像數(shù)據(jù)，能夠快速地進(jìn)行疾病診斷。神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果不易受到主觀因素的干擾，在減輕醫(yī)師工作負(fù)擔(dān)的同時提升效率和診斷準(zhǔn)確率。傳統(tǒng)的疾病診斷往往以醫(yī)院為載體，通過專業(yè)醫(yī)師進(jìn)行診斷或利用機(jī)器對數(shù)據(jù)進(jìn)行簡單的處理。然而，醫(yī)師的診斷水平往往受限于自身的知識儲備和經(jīng)驗，使得診斷結(jié)果容易出現(xiàn)差錯。另一方面，醫(yī)院的診斷流程復(fù)雜，就醫(yī)人數(shù)眾多，往往存在醫(yī)師不夠用的情況，這已成為目前大多數(shù)醫(yī)院面臨的共同問題。依靠機(jī)器對數(shù)據(jù)進(jìn)行處理也存在如下問題，雖然醫(yī)療圖像數(shù)據(jù)量大，但是這些數(shù)據(jù)的利用率極低，往往是一次性的，這就造成了數(shù)據(jù)的浪費。神經(jīng)網(wǎng)絡(luò)正好具有處理海量圖像數(shù)據(jù)的能力，能夠?qū)︶t(yī)療圖像數(shù)據(jù)進(jìn)行分類、識別潛在模式，進(jìn)而診斷？疾病。

2018年2月，廣州市婦女兒童醫(yī)療中心的張康教授團(tuán)隊及其合作者利用207？130張光學(xué)相干斷層掃描圖像建立了深層神經(jīng)網(wǎng)絡(luò)模型，不僅能夠篩查常見的可治療致盲性視網(wǎng)膜疾病患者，還能夠根據(jù)胸部X射線圖像診斷小兒肺炎。2017年，斯坦福大學(xué)的科研團(tuán)隊使用129？450張臨床圖像的數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，該模型能夠識別皮膚癌患者，識別準(zhǔn)確率可達(dá)皮膚科專業(yè)醫(yī)師的水平，相關(guān)成果發(fā)表于國際頂級學(xué)術(shù)期刊《自然》。

2.2 疾病預(yù)測

疾病預(yù)測對于醫(yī)學(xué)來說是極其重要的。如果我們能夠預(yù)測某人患病的概率，找到引發(fā)疾病的相關(guān)因素，就能夠通過有效的控制手段來杜絕疾病的發(fā)生。這對于潛在的患者而言，是非常幸運(yùn)的事情。傳統(tǒng)上，疾病預(yù)測是一件很困難的事情，大多借助于醫(yī)師的知識儲備和經(jīng)驗，具有不確定性，因此準(zhǔn)確率普遍很低。另外，個性化的差異也給精準(zhǔn)預(yù)測結(jié)果帶來了困難。在深度學(xué)習(xí)出現(xiàn)之前，雖然已經(jīng)有很多疾病預(yù)測模型出現(xiàn)，但是受限于數(shù)據(jù)量、計算機(jī)的計算能力、模型本身缺點，疾病預(yù)測效果也不理想。近年來，信息技術(shù)的高速發(fā)展，使我們真正地進(jìn)入了大數(shù)據(jù)時代。海量的醫(yī)療圖像數(shù)據(jù)、先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型、強(qiáng)大的計算能力，三者協(xié)同作用，給疾病預(yù)測帶來了？曙光。

最近，谷歌的Lily？Peng等人發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)不僅能夠用于常規(guī)疾病診斷，還能夠使用視網(wǎng)膜眼底圖像預(yù)測心臟病和中風(fēng)風(fēng)險。該團(tuán)隊利用了28萬多名患者的醫(yī)療圖像數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，然后分別在另外兩個獨立的包括12？026和999名患者的圖像數(shù)據(jù)集上做驗證，結(jié)果表明模型具有很好的預(yù)測能力。2017年，華中科技大學(xué)的陳敏等人利用醫(yī)院的電子數(shù)據(jù)建立了預(yù)測慢性病風(fēng)險的卷積神經(jīng)網(wǎng)絡(luò)模型，模型的準(zhǔn)確率高達(dá)94.6%。最近幾年，將神經(jīng)網(wǎng)絡(luò)用于常規(guī)疾病診斷和疾病預(yù)測的案例遠(yuǎn)非如此，許多著名醫(yī)院和科研機(jī)構(gòu)都在此領(lǐng)域深耕發(fā)力，并取得了令人印象深刻的？成果。

3 總結(jié)與前景展望

神經(jīng)網(wǎng)絡(luò)作為當(dāng)今人工智能的核心，在許多領(lǐng)域都取得了重要的成果，尤其是圖像分類、模式識別等領(lǐng)域。醫(yī)療圖像作為一類特殊的圖像，神經(jīng)網(wǎng)絡(luò)在此領(lǐng)域也不可避免的具有許多重要的應(yīng)用前景。然而，神經(jīng)網(wǎng)絡(luò)在醫(yī)療圖像中的應(yīng)用探索也才處于起步階段。由于神經(jīng)網(wǎng)絡(luò)本身具有難以解釋的特點，這對于醫(yī)療這個特殊的領(lǐng)域而言是非常不利的，因此神經(jīng)網(wǎng)絡(luò)目前主要是用于輔助醫(yī)療診斷和疾病預(yù)測。

另外，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測能力如何，也還需要更多的臨床實驗去驗證才知道。要實現(xiàn)這一點，我們不僅需要更多的醫(yī)療圖像數(shù)據(jù)去驗證模型，也還需要建立更加準(zhǔn)確、更加強(qiáng)大的神經(jīng)網(wǎng)絡(luò)模型。最后，醫(yī)療圖像通常包含著患者的許多隱私信息，因此，如何得到患者的許可以及如何在保護(hù)患者隱私的條件下充分利用這些醫(yī)療圖像信息，也是該領(lǐng)域面臨的一大難點。但我相信，隨著技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)、人工智能將會給醫(yī)療行業(yè)帶來巨大的變革，將會有更多的人？受益。

參考文獻(xiàn)

[1]王菲斐.深度學(xué)習(xí)研究現(xiàn)狀分析[J].電子技術(shù)與軟件工程，2018（10）：152-153.

[2]李淵，駱志剛，管乃洋，等.生物醫(yī)學(xué)數(shù)據(jù)分析中的深度學(xué)習(xí)方法應(yīng)用[J].生物化學(xué)與生物物理進(jìn)展，2016，43（5）：472-483.

[3]Daniel S. Kermany ，Michael Goldbaum ， WenjiaCai ，et al. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning[J]. Cell，2018， 172（5）：1122–1131.

[4]Andre Esteva， Brett Kuprel， Roberto A. Novoa，Justin Ko， Susan M. Swetter， Helen M. Blau，Sebastian Thrun. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature， 542：115–118.

[5] Ryan Poplin，AvinashV.Varadarajan， Katy Blumer，Yun Liu， Michael V. McConnell，Greg S.Corrado，Lily Peng，Dale R.Webster.Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning[J].Nature Biomedical Engineering 2018，2：158–164.

[6]Min Chen，YixueHao，Kai Hwang，Lu Wang，Lin Wang. Disease Prediction by Machine Learning Over Big Data From Healthcare Communities[J].IEEE Access，2017： 1-1.