人工智能（AI）亦稱機(jī)器智能,是通過計算機(jī)程序?qū)崿F(xiàn)類似人類智能行為技術(shù)。AI具有強(qiáng)大的數(shù)據(jù)處理功能,目前已用于多個領(lǐng)域,包括人臉識別、語言識別、圖像處理和數(shù)據(jù)挖掘等。基于惡性腫瘤患者的大量文字病史記錄和各類檢查資料,AI在輔助惡性腫瘤診斷與治療方面具有獨(dú)特優(yōu)勢。AI可量化肉眼無法識別的腫瘤圖像信息加以運(yùn)算聯(lián)系,可將不同類型的數(shù)據(jù)流整合成腫瘤綜合診斷系統(tǒng),包括影像、病理圖像,基因分析數(shù)據(jù),甚至電子健康記錄等文字資料。本文將對AI的基本原理及其輔助診斷惡性腫瘤的應(yīng)用進(jìn)展進(jìn)行綜述。 

【文章來源】：腫瘤防治研究. 2020,47(10)CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

近十年“Medline/PubMed”中“Deep learning”在腫瘤診療領(lǐng)域文章發(fā)表情況

機(jī)器學(xué)習(xí)(machine learning,ML)是AI的分支,興起于20世紀(jì)80年代。ML主要研究計算機(jī)如何模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為,獲取新知識、完善已有知識框架和自身性能。ML可在無明確編程指令的情況下執(zhí)行任務(wù),發(fā)現(xiàn)數(shù)據(jù)間的隱藏關(guān)系[2],進(jìn)行數(shù)據(jù)分析,常用的Logistic回歸、線性回歸、決策樹、隨機(jī)森林(random forest,RF)、樸素貝葉斯和K-means聚類分析、多層感知機(jī)(multi-layer perceptron,MLP)、支持向量機(jī)(support vector machine,SVM)等[3]均屬于ML,其中Logistic回歸廣泛用于腫瘤學(xué)研究[4]。ML可分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)。有監(jiān)督學(xué)習(xí)是將有明確標(biāo)簽的數(shù)據(jù)按一定規(guī)則或比例隨機(jī)分為訓(xùn)練集和驗證集,對訓(xùn)練數(shù)據(jù)進(jìn)行擬合獲得模型,通過驗證集檢驗該模型的效能,從而得出結(jié)論,常用于處理數(shù)據(jù)回歸和分類問題。例如,通過統(tǒng)計兒童性別、各年齡階段的身高和體重等數(shù)據(jù),得出兒童身體發(fā)育模型(回歸),進(jìn)而用于判斷普通兒童的發(fā)育狀態(tài)(分類)。無監(jiān)督學(xué)習(xí)是指數(shù)據(jù)沒有分類標(biāo)簽,計算機(jī)根據(jù)數(shù)據(jù)間的相似性或差異進(jìn)行聚類[5],使同類數(shù)據(jù)差異最小,不同類數(shù)據(jù)差異最大,常用于數(shù)據(jù)降維處理和聚類分析。例如人臉識別系統(tǒng),客戶端將面部圖像進(jìn)行特征提取(降維),與用戶信息一起輸入服務(wù)器終端,當(dāng)需要識別時內(nèi)部系統(tǒng)會對新的面部特征與終端進(jìn)行匹配,即使與錄入時的光線、角度不同,仍能準(zhǔn)確識別用戶身份(聚類)。增強(qiáng)學(xué)習(xí),是指先利用未分類數(shù)據(jù)進(jìn)行訓(xùn)練,建立初步模型,再通過反饋性評價模型優(yōu)劣指導(dǎo)下一步學(xué)習(xí),通過不斷地試錯和反饋進(jìn)行“自我學(xué)習(xí)”,一般解決序列決策和智能控制問題。我們熟知的“Alpha-Go”和“無人駕駛汽車”就是增強(qiáng)學(xué)習(xí)模型的典型代表,其中無人駕駛汽車是通過車載傳感器感知車輛周圍環(huán)境,并根據(jù)車況和路況控制車轉(zhuǎn)向和速度,從而實現(xiàn)安全行駛。人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANN)和深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的新領(lǐng)域,旨在通過計算機(jī)模擬人類大腦進(jìn)行數(shù)據(jù)分析。AI、ML和DL三者關(guān)系,見圖1。ANN源于人大腦神經(jīng)元相互連接的生物學(xué)習(xí)模式[6],具有級聯(lián)、變化和分層等能力。DL是ANN的進(jìn)階,使用分層ANN開發(fā)更為復(fù)雜的學(xué)習(xí)模型,以理解不同維度的數(shù)據(jù)[7]。DL包括深度信念網(wǎng)絡(luò)(deep belief network,DBN)、卷積神經(jīng)網(wǎng)絡(luò)(convolution neural networks,CNN)和遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)等,其中卷積神經(jīng)網(wǎng)絡(luò)算法在圖像處理方面具有獨(dú)特優(yōu)勢,已用于臨床影像數(shù)據(jù)特征提取和分析,遞歸神經(jīng)網(wǎng)絡(luò)算法通過對時間序列數(shù)據(jù)進(jìn)行分析,用于疾病動態(tài)監(jiān)測。傳統(tǒng)ML需將原始數(shù)據(jù)進(jìn)行特征提取并處理為結(jié)構(gòu)化數(shù)據(jù)集,無法直接處理非結(jié)構(gòu)化的數(shù)據(jù)。DL能直接處理包括圖像、聲音、語言在內(nèi)的非結(jié)構(gòu)化數(shù)據(jù),在臨床影像分類、病歷文本分析和腫瘤診斷[8-9]方面具有優(yōu)勢。

【參考文獻(xiàn)】：
期刊論文
[1]人工智能在病理診斷領(lǐng)域中的應(yīng)用[J]. 沈曉涵,杜祥.  腫瘤防治研究. 2020(07)
[2]基于生命/影像組學(xué)和人工智能的精確放射治療:思考與展望[J]. 王衛(wèi)東,郞錦義.  中國腫瘤臨床. 2018(12)



本文編號：3248712