1. 首頁 > 科技 > >

圖像識別|在放射學中，大量的努力都放在圖像識別分析上，這并不奇怪

算法機器學習醫療保健圖像識別

圖像識別|在放射學中，大量的努力都放在圖像識別分析上，這并不奇怪

文章圖片

圖像識別|在放射學中，大量的努力都放在圖像識別分析上，這并不奇怪

文章圖片

圖像識別|在放射學中，大量的努力都放在圖像識別分析上，這并不奇怪

文章圖片


過去10年機器學習領域的顯著進步促使人們在日常體驗中與人工智能(AI)的交互不斷增加 ， 并且發展繼續以極快的速度發展 。 在放射學中 ， 大量的努力都集中在圖像識別和分析上 ， 這并不奇怪 ， 而計算機輔助的病理學檢測和診斷也開始進入臨床應用 。 在醫療保健的其他方面 ， 機器學習在計算機視覺以外的任務中的更廣泛應用正在為患者風險評估、管理和結果預測帶來好處 。



辛哈等人報告了他們將機器學習應用于介入放射學的結果預測的工作結果 。 科學家使用隨機森林分類器 ， 即通過將輸入數據的隨機子集重復傳遞給各個決策樹并平均結果來執行二元分類的算法 ， 科學家使用來自公開可用的匿名數據集的非圖像數據來預測干預程序后的幾個重要結果：開發胸活檢后氣胸的發生率、經頸靜脈肝內門體分流術的院內死亡率以及子宮動脈栓塞后住院時間大于三天 。



這些預測完全基于入院前可用的數據 ， 例如人口統計學和患者既往病史的要素 。 這些類型的預測工具帶來的潛在價值會對個體患者和整個醫療保健系統產生影響 。 識別手術后可能出現并發癥的患者提供了一個機會 ， 可以投入資源并為有風險的人制定更高水平的觀察和管理計劃 。



這可能意味著患者將獲得更安全和更高質量的護理 ， 并可能轉化為降低護理成本并減輕與管理不良結果相關的醫療保健系統的負擔 。 對于放射學的專業 ， 有巨大的機會使用這些新的建模技術來開發特定于放射學程序的風險評估和預后計算器 。 雖然這些早期研究顯示出對未來的重大希望 ， 但辛哈等人的研究也強調了在醫療保健中開發和實施有意義的人工智能方面存在的困難 。



此外 ， 該數據集僅包含入院前可用的數據 ， 例如人口統計學和既往病史 。 可以從這些數據中開發出可用的分類器這一事實說明了機器學習技術在大型數據集中查找復雜關聯的能力 。 然而 ， 這也指出了開發這些工具的一個主要障礙——難以以非常大的規模和精心策劃的形式獲取最相關的數據 。 盡管使用這些合并癥數據預測活檢后氣胸的算法達到了相當可觀的性能水平 ， 但與使用終末期肝病模型 。


【圖像識別|在放射學中，大量的努力都放在圖像識別分析上，這并不奇怪】
這些計算器使用與肝功能相關的患者特定實驗室數據來評估手術風險 。 未來進步的一個主要先決條件可能是以這些算法所需的規模和組織良好的方式提供此類數據 。 這很可能需要啟動針對特定學科的國家或國際數據收集 。 AI算法具有大多數機器學習構造在這一點上都具有的弱點 ， 即使算法在其預測中非常成功 ， 也可能沒有明確的方法來可視化甚至理解輸入數據與產生的輸出決策之間的關系 。



當試圖理解成功的基本原理時 ， 這已經足夠令人擔憂了 ， 但是當試圖理解算法失敗時發生的事情時 ， 問題就更大了 。 通過了解結果背后的基本原理來相信結果會影響醫生和患者接受醫學中日益增加的人工智能存在的舒適度 ， 這個話題已經引起了一定程度的不安 。 對于大多數新技術 ， 最初的熱情會導致炒作和不切實際的期望 ， 隨后不可避免地會經歷一段幻滅期 ， 然后第二輪創新會帶來持續的效用 。 就公眾輿論而言 ， 人工智能應用可能會走向某種程度的幻滅 ， 自動駕駛汽車已經存在 。 但我們必須記住 ， 要走出低谷 ， 需要持續努力開發和完善新技術 ， 使其更好、更可靠 。

相關經驗推薦