摘要
人工智能(AI)在20世纪70年代以来就成为了世界尖端技术之一,人工智能是多个学科的交叉,在各个领域中都应用广泛。人工智能的根本目的是按照人类的需求去服务于人类。目前,人工智能在控制领域已经日趋成熟,但在医疗健康领域还有很大的发展空间。本文在现有的科学技术基础上,以基于人工智能的智能医疗分成已下4种模式去研究探讨:AI+医疗诊断,AI+辅助治疗,AI+医学影像,以使人工智能可以在未来更好地服务于医疗卫生行业。
关键词:人工智能 医疗诊断 智能医疗 医学影像 健康管理
一.人工智能在医疗卫生领域的发展现状[1]
持续增长的全球人口和人均寿命的继续延长给医疗资源带来了巨大的压力。新一轮的科技革命和产业变革孕育兴起,从大数据的积蓄沉淀,理论算法的变革,计算能力的提高以及网络设施的不断演进,驱动人工智能发展进入了新阶段的。人工智能正加快与经济社会的各领域渗透融合,人工智能在医疗卫生领域中的应用呈现出快速发展的局面。人工智能在健康医疗领域的应用涉及健康管理预防,以及治疗,是未来医学侧重改革的一大趋势。通过人工智能+健康医疗,有利于降低医疗服务的成本,提高医疗服务的效率,提高基层医疗服务的能力,有助于解决医疗资源不足的现状。目前,人工智能在医疗方向的领域多以探索居多,重点为基础信息化建设,最大障碍是如何通过系统化设计实现医疗数据整合应用。
二.人工智能+医疗诊断
现代的医学越来越依赖大数据的采集和判断,借助大数据来减少误诊率。智能诊断方面是同类案例精准快速辅助诊断,以及各种影像检测结果的识别。另一方面将病人的图像结果翻译成诊断信息,速度已是人类的30倍,准确率高达99%。
智能诊断系统是基于医疗信息化系统的人工智能核心的应用之一,现阶段的代表应用为影像识别技术,辅助分析技术和判断病人病情发展阶段。
以往的医生都是借助肉眼观察病理切片影像,仅凭借经验判断病症、病情及有无并发症,遇到捉摸不定的情形只能采用向专家请教或专家会诊的方式。医学影像识别系统工作有两大原理,一是将影像图片拆分处理、按疾病分类建立基础数据库,二是快速从大数据库中检索到类似及相关影像资料,即重绘图像。它可以辅助医生的决策,弥补经验上的不足或减少对罕见疾病和疑难杂症细节的诊断问题。
图像的识别主要基于细胞层面,目前以微软为代表的智能诊断系统已实现对病变腺体(多细胞体)的识别。系统的原理假设为即使个体的身体条件不同,同样疾病的病灶反应类似,借助的是机器对信息的存储和通过计算实现快速调取知识的能力。由于疾病种类不需要与个人信息进行匹配就能应用,所以不存在隐私安全保障的问题。对数据的收集、整理及应用较易于其他领域,也是人工智能在医疗领域应用相对靠前和突出的细分领域。
三.人工智能+临床治疗
机器人行业领先于人工智能的发展,医疗机器人引领人工智能应用的前沿。机器人在医疗行业的投入使用广受媒体的关注。
医疗机器人分为手术机器人,康复机器人,辅助机器人和服务机器人[2]。
①手术机器人:分为微创和复杂手术系统,放射机器人和辅助手术系统。
②康复机器人:一类是辅助康复机器人系统,包括应用传感器和监控器强制走运动,应用生物电感应器强调人与系统的结合度和自动控制型通过感应用户动作去触发和调整下一步行为。另一类作为人体机能补充,如外骨骼机器人,人工耳蜗等。
③辅助机器人:有个人护理机器人,通过控制机器人来为患者去清洁身体,辅助调整躺卧姿势等,或者,日常监护沟通和帮助治疗老年痴呆的高级治疗机器人。
④服务机器人:一类是消毒机器人,用来优化医疗环境,避免交叉感染。另一类是运输机器人,在医疗服务机构内完成运输,运送病人等工作。
期刊文章分类查询,尽在期刊图书馆
机器人未来发展的方向:
①新材料应用。材质轻、小巧、耐用,放在人体内可以不被腐蚀,具有一定的柔韧度。
②新技术应用。感知领域的三维感知,与AR结合应用:认知领域的语义理解和专家系
统应用等。
③智能交互。触觉柔性感知与精确反馈,多类型操控模式,包括体温、人脸、声音、体感等。
四.人工智能+医学图像处理
在过去的几十年中,医学影像处理成为医学领域快速发展的一个新方向。随着远程医学诊断的快速发展,对医学图像处理提出了更高的要求。首先,需要较高的处理速度,同时需要处理的精度要高。人工神经网络已经广泛地应用到这个方面来解决不同的问题。主要有以下几个方面:图像识别和分类(检测问题);医学图像分割。下面分别加以描述:
4.1基于Haar算法模型的图像识别[3]
Haar-like特征是是计算机视觉领域一种常用的特征描述算子。它最早用于人脸描述。目前常用的Haar-like特征可以分为三类:线性特征、边缘特征、点特征(中心特征)、对角线特征。
矩形特征可以位于图像任意位置,大小也可以任意改变,所以矩形的特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、位置和大小的变化,使得很小的检测窗口就可以含有非常多的矩形特征,例如:在24×24像素大小的检测窗口内矩形特征数量可以达到16万个。
4.2深度卷积网络(CNN)的特征提取
基于CNN网络的特征提取:将数据库中的图像输入CNN,自动提取出每张图片的特征,输出特征向量。
卷积神经网络是一个包含多个隐层的神经网络模型,主要包括输入层、卷积层、池化层、全连接层以及输出层。具体工作过程: 首先,图片序列输入后,使用 Haar Adaboost 检测算法对图像中的每一帧都进行检测,提取出图像中检测到的特征坐标,对提取后所得的彩色图像做灰度化处理并统一尺寸大小。之后,将处理好的图像输入已训练好的 CNN 模型中进行特征提取。最后,通过模型末尾的 softmax函数进行预测并输出最终的识别结果。
4.3基于支持向量机(SVM)的特征匹配
SVM(Support Vector Machine)是一种非常实用的分类算法,其目标是寻求结构化风险的最小化。图像匹配时,首先利用Adaboost算法在图像中检测出特征,将图像输入CNN中进行特征提取,将这些特征输入SVM,通过与数据库中事先存储好的特征数据进行匹配,来实现图像处理与判定。
五.人工智能在医疗卫生方面的展望
5.1 建立医疗数据资源库,大数据服务以及物联网相关基础建设。建立医疗数据库,实现线上线下的病历整合[4]。
5.2 个人健康管理与医疗服务结合派生的医疗健康服务模式。医疗服务的根本目标是提供精准的个性化的服务。由于医疗模式的主体较为强势,所以医疗服务还未探索出合适的医疗服务模式。
5.3 电子病历与专家系统及保险等行业的应用前景。电子病历和专家系统的整合应用是人工智能在医疗领域应用的基础和根本,未来在商业模式下则包括电子病历与健康服务,保险等行业的应用拓展。
5.4 生育健康服务,癌症及其他慢性病的治疗服务。基于基因测序的检测诊断服务将进一步产业化,包括细胞治疗,基因编辑等,其对生育健康服务应用普及,癌症和其他慢性病治疗技术的突破提供很大的发展空间。
参考文献
[1]董可男.王楠.智能医疗时代的曙光--人工智能+健康医疗应用概览[J]大数据时代,2017(8):15-18.
[2]高奇琦.吕俊.人工智能时代对公共卫生的机遇与挑战[J]电子政务,2018(11):2-6.
[3]张成成.李思成等.基于深度学习的人脸识别技术在课堂签到上的应用[J]时代汽车,2019(4):46-548.
[4]钟义信.人工智能的突破与科学方法的创新[J]模式识别与人工智能,2012(6):10-15.
论文作者:冯燕飞,王萍,王嘉祺, 指导教师 曲银娥
论文发表刊物:《科技新时代》2019年6期
论文发表时间:2019/8/15
标签:人工智能论文; 医疗论文; 机器人论文; 特征论文; 领域论文; 图像论文; 矩形论文; 《科技新时代》2019年6期论文;