深度学习在医疗中的应用前景分析

时间:2022-06-17 20:39:46

随着谷歌的AlphaGo战胜韩国棋手李世石之后,深度学习从学术界的热点技术,变为大众热捧的热门技术,成为当前人工智能热潮中,最吸引眼球的技术方向。深度学习也从传统的图像、视频、语音识别领域,向文本处理、自然语言理解、人机对话、情感计算等各方面渗透,形成了如果一个领域如果没有应用深度学习,这个领域就不够先进的观点。虽然医疗领域相对保守,但是医疗界也在第一时间,拥抱深度学习技术,产生了很多意义深远的应用方向。本文将对当前深度学习技术进行梳理,探讨其在医疗领域的应用前景,并重点讨论深度深习在医学诊断方面的应用。

其实深度学习理念,在上世纪六七十年代就有人提出过,但是由于缺乏有效的算法,没有形成规模应用。在上世纪80年代,由于出现了BP算法,多层前馈网络也曾经风靡一时,但是由于误差反向传播(BP)算法,对权值的调整从输出层开始,效果会每层递减,因此训练多层网络速度会变慢,而且多层网络额外增加了很多参数,需要更多的训练样本,而且由于当时计算能力的限制,最终多层前馈网络也没有流行起来。

随着技术的方法和计算能力的增强,以前制约深度学习的条件逐渐得到了解决,尤其是人们意识到,以前的神经网络,需要研究人员对问题进行深入的研究,提取出问题的关键属性,然后才是设计合适的神经网络,然后训练神经网络来解决这个问题。人们发现,在整个过程中,最困难的地方并非神经网络本身,而是抽取所研究问题的特征,这才是制约神经网络应用的核心问题。基于对这个问题的认识,逐渐出现了利用非监督学习网络来获取所研究问题的特征,然后再采用监督学习方式来训练网络,不仅可以使最为费时费力的特征提取来自动化,而且还可以对网络进行预训练,降低网络训练工作量以及所需训练样本。正是因为上述原因,深度学习技术才会在十年前逐渐流行起来。

目前深度学习神经网络已经有成熟应用的算法,主要有以下几种:卷积网络CNN、RNN。其中卷积神经网络主要用于图像处理领域,因为在图像识别过程中,图片中物体在图片中的位置、姿态,都会影响识别的效果,经过卷积操作,可以对图片中的物体进行大小、位置、角度方面的处理,进行归一化,从而提高图片的识别率,例如采用6层卷积网络,对MNIST的6万多张手写数字图片进行识别,识别准确率可以达到98%以上,甚至超过了人工的识别率。而RNN网络,就是将神经元的输出,重新作为输入,从而影响神经网络的最终行为。RNN网络更多应用于语音识别,因为在语音识别中,需要根据前一个单词来判断当前单词,而RNN网络正好可以满足这个特性。

以上是深度学习中比较成熟的算法,目前深度学习研究中,最热的领域莫过于产生式网络,如自动编码器、深度信念网络等。这些网络都用了限制性波尔兹曼机(RBM),先通过这种非监督学习网络,利用其隐藏层作为提取的特征,通过使网络能量函数达到最小,可以认为是所研究问题的特征,然后通过堆叠多层限制性波尔兹曼机(RBM),提取出一系列问题特征,最后再用监督学习算法,使问题得到最终解。

深度学习在医疗方面的应用,最容易想到的方面就是医学影像学方面的应用。采用卷积神经网络CNN,可以极大提高识别率,同时降低对原始图片质量的要求,同时可以降低对训练样本数量的要求,因此CNN在医学影像处理方面,应该是目前应用最广泛也是最成功的领域。

近年来,精准医学越来越受到追捧。在精准医学中,基因测序技术又是其核心。我们知道,人类基因组有64亿个碱基对,通过对这64亿个碱基对的研究,可以从病理根源来确定诊断疾病,以及确定相应的靶向治疗方案。但是这64亿个由ATGC组成的碱基对,包括大量无用的垃圾信息,如远古时代将自己DNA嵌入到我DNA中的细菌的DNA片断,还包括一些短的重复序列,同时也包括与基因调控相关的Regulator和Promoter,在基因内部同样有外显子和内显子,上述这些复杂的DNA结构,是制约精准医疗快速发展的瓶径。而深度学习里边的RNN网络,正是可以在基因分析领域大显身手,期待有这方面划时代的成果出现。

深度学习在医疗领域最激动人心的应用,无疑是在在医学诊断方面的应用。谷歌的DeepMind和IBM的watson,都在这方面积极布局,尤其是watson,在某些特定领域,其诊断精度已经超过了人类专家。由于医疗中病例大多数为非结构化文本数据,因此采用多层限制性波尔兹曼机(RBM)堆叠成的深度信念网络(DBN),可以自动提取文本病例中的特征,可以有效的学习病历中的知识,同时可以高效地进行诊断。

综上所述,深度学习在医疗中将有非常广泛的应用,文中所举的应用实例,仅仅是冰山的一角而已。根据笔者的理解,结合当前中国医改的趋势,我们有理由认为,深度学习在医学诊断方面的应用,将是可以产生最大社会及经济效益的应用领域。因为,目前医改中最难啃的硬骨头是分级诊疗,由于基层缺乏高水平的全科医生,老百姓不愿或不敢到基层医疗机构去看病,而养高水平的全科医生,优质医疗资源下沉到基层,不是远水解不了近渴就是违备客观规律而难以推动下去。而深度学习在医学诊断方面的应用,可以迅速提高基层医生的诊疗水平,使老百姓可以放心地到基层医疗机构就医,具有非常巨大的应用前景。