人工智能醫(yī)療方向精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工智能醫(yī)療方向主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工智能醫(yī)療方向范文

雖然現(xiàn)在大家都把眼光盯上了谷歌AlphaGo對陣圍棋，可谷歌的心思卻并非在這里，下棋只是一場商業(yè)秀，實際上，在各種版本的公關(guān)宣傳中，谷歌已經(jīng)非常明確的把未來人工智能的重點方向鎖定醫(yī)療。

對于醫(yī)療產(chǎn)業(yè)的巨大蛋糕，谷歌垂涎欲滴早已經(jīng)不是一天兩天，谷歌在大數(shù)據(jù)上的應(yīng)用最早也是從所謂的可以預(yù)測流行感冒這種傳染病而被社會所知。而且，社會上真正能讓谷歌手里所掌握的這種“人工智能”發(fā)揮作用的領(lǐng)域并不多，而醫(yī)療顯然是最合適的場所。

AlphaGo之所以可以和頂尖高手下棋，主要原因是全部吸收了人類棋手千年的成果和經(jīng)驗，這都得益于保留和流傳下來的豐富棋譜，否則，巧婦難為無米之炊，AlphaGo根本就不可能會下棋。當(dāng)然，下棋這個營生獲利太小，對于谷歌的吸引力一點都沒有，社會上的各行各業(yè)中，能夠保存基本完整且具有連續(xù)性資源可供機器進行學(xué)習(xí)的，醫(yī)療的病例最與棋譜類似。當(dāng)然，病例要比棋譜還要復(fù)雜的多，非標(biāo)準(zhǔn)化的記錄也增加了很多麻煩，好在可驗證的機會比圍棋更多，操作的難度也應(yīng)該適中。

在2007年微軟推出“健康庫”系統(tǒng)，讓患者可以上傳病歷之后，谷歌也打造了谷歌健康(Google Health)平臺，讓患者通過互聯(lián)網(wǎng)，將自己的病歷、健康數(shù)據(jù)上傳到統(tǒng)一的網(wǎng)絡(luò)平臺，由自己管理，或選擇與醫(yī)生、朋友、家人共享。如此，谷歌已經(jīng)收集和整理了大量的數(shù)據(jù)，為人工智能在醫(yī)療上的應(yīng)用做足了功夫。

據(jù)報道，現(xiàn)在谷歌健康的合作伙伴已經(jīng)包括各類研發(fā)機構(gòu)、健康保險公司甚至醫(yī)藥零售商。谷歌通過與美國最大的藥品零售商CVS(Consumer Value Stores)合作，讓消費者將藥物服用數(shù)據(jù)上傳到谷歌健康系統(tǒng)，從而輻射1億多美國人口，獲得這些患者的部分病史，這相當(dāng)于美國總?cè)丝诘?/3。

有專家認(rèn)為，醫(yī)療歷來是技術(shù)驅(qū)動的重要代表。沒有聽診器的發(fā)明，醫(yī)生要用人耳靠在背上和胸前聽診；沒有CT磁共振的發(fā)明，骨科、內(nèi)科、外科都沒法進展；沒有無菌術(shù)和手術(shù)器械的發(fā)明，很多疾病還是不治之癥；沒有很多重磅藥物發(fā)明，很多疾病必然素手無策。除了戰(zhàn)爭，醫(yī)療一直是應(yīng)用最新科技的試驗場和推動力。

在互聯(lián)網(wǎng)改變醫(yī)療的發(fā)展途徑上，據(jù)說有七個方面，但實際就是兩種道路。一種是借助互聯(lián)網(wǎng)平臺的分享與眾籌能力，通過全社會的資源共享來研發(fā)新藥或新治療手段。比如，制藥巨頭葛蘭素史克(GlaxoSmithKline)公開了13500種化合物的數(shù)據(jù)，幫助開發(fā)抑制瘧原蟲的新藥物。葛蘭素史克希望通過分享信息，幫助科學(xué)家設(shè)計出一種治療效果更好的新藥物。這是制藥行業(yè)首次大規(guī)模應(yīng)用開源開發(fā)模式到新藥開發(fā)上，志愿者通過通力合作可能創(chuàng)造新藥。另外一種，就是以谷歌為首的，使用網(wǎng)絡(luò)收集整理數(shù)據(jù)，提高自己人工智能水平，然后應(yīng)用到藥品開發(fā)和治療手段的研發(fā)上。

可以預(yù)見，在未來，如果谷歌AlphaGo這樣的工具應(yīng)用到中醫(yī)領(lǐng)域，這個依靠艱難的經(jīng)驗積累才能獲得治療能力的古老行業(yè)也許會煥發(fā)青春，當(dāng)流傳至今的千年驗方通過計算機的深度學(xué)習(xí)加以提煉吸收，也許會真的造就一位古往今來最牛的“神醫(yī)”，華佗就真的重生了。

像AlphaGo這樣的人工智能未來會幫助培訓(xùn)醫(yī)生，輔助提高醫(yī)生的診療水平，大大減少誤診率，可以拯救數(shù)以百萬人的生命，甚至，未來可以是這樣的人工智能來操控手術(shù)刀進行復(fù)雜的手術(shù)，畢竟，人工智能沒有情緒和壓力，也不會疲勞，手術(shù)的風(fēng)險會更小。實際上，這只是工廠里的制造機器人在醫(yī)療上的再造。

當(dāng)然，未來的醫(yī)療，很可能需要人工智能、虛擬現(xiàn)實和3D打印結(jié)合起來，構(gòu)筑成完美的現(xiàn)代化醫(yī)療科技體系。人工智能主導(dǎo)診療，虛擬現(xiàn)實負(fù)責(zé)心理治療和醫(yī)生的技術(shù)訓(xùn)練，3D打印則在人工智能的指令下完成器官再造等治療方案。

第2篇：人工智能醫(yī)療方向范文

所謂的第四次工業(yè)革命，一定要結(jié)出實際的革命成果。廣闊天地，誰能大有作為？

很多AI創(chuàng)業(yè)公司在各自的領(lǐng)域取得了突破，但具備強大的AI技術(shù)儲備，并且有能力滲透到幾乎所有領(lǐng)域的玩家，目前來看主要還是BAT三家。

這場AI“賦能”的戰(zhàn)爭，較量的是平臺、技術(shù)、場景、生態(tài)等多方面的綜合實力。百度喊All in AI，騰訊喊AI in All，阿里蓋起達摩院。

誰能在新革命中笑到山花爛漫？

短兵相接的前夜，我們繪制了一幅時局圖。

BAT時局

為了一爭高下，BAT下注或早或晚，但都離不開幾件事，例如組團隊、做研發(fā)、建生態(tài)等。

到現(xiàn)在，三大巨頭在人工智能上的布局已經(jīng)能看出大致輪廓。

百度

百度在AI領(lǐng)域的野心，最初顯露于2013年1月，深度學(xué)習(xí)研究院（IDL）的創(chuàng)立。

后來李彥宏陸陸續(xù)續(xù)建成了五大實驗室，除了深度學(xué)習(xí)實驗室之外，還有硅谷人工智能實驗室、大數(shù)據(jù)實驗室、增強現(xiàn)實實驗室和深度學(xué)習(xí)及應(yīng)用國家工程實驗室。

這些實驗室的研發(fā)成果歷經(jīng)5年的整合，逐漸形成了一個平臺體系：百度智能云和百度大腦。智能云提供計算的基礎(chǔ)設(shè)施和數(shù)據(jù)的獲取、分析、標(biāo)注能力，而百度大腦，整合了機器學(xué)習(xí)、深度學(xué)習(xí)算法，再將AI對語音、圖像、視頻、AR/VR的感知能力和自然語言處理、知識圖譜、用戶畫像等認(rèn)知能力開放出來，就形成了百度AI開放平臺。

根據(jù)百度最新公布的數(shù)據(jù)，百度大腦現(xiàn)在擁有80多項核心AI能力，超過37萬名開發(fā)者和合作伙伴，每天被調(diào)用2.19億次。這些調(diào)用，來自百度內(nèi)外。

對內(nèi)，百度將AI能力輸送到百度現(xiàn)有的各個產(chǎn)品之中。主業(yè)搜索自不必說，從一開始就受惠于AI技術(shù)的進步，包括手機百度、愛奇藝等應(yīng)用也在AI的驅(qū)動下不斷提升，2016年推出的信息流業(yè)務(wù)也在迅速發(fā)展。對外，百度走上開放平臺的道路，主推DuerOS和Apollo。

陸奇一年前降臨百度后，通過多種方式對業(yè)務(wù)進行了梳理和聚焦。核心當(dāng)然就是上面兩個平臺，他們都各自成立了新的事業(yè)部進行支撐，當(dāng)然也有醫(yī)療等業(yè)務(wù)被直接砍掉。

當(dāng)然，百度在其他方面也一直有嘗試，比如金融、機場、新零售等場景下，百度也在不停地開拓，一步一步積聚力量，構(gòu)建自己的下一個生態(tài)。

不過總體來說，無論是從“All in AI”的技術(shù)投入來看，還是從所有能力匯總于百度大腦、全力推進Apollo、DuerOS兩大平臺的布局來看，百度似乎在把自己的AI力量集中起來，向著最重要的行業(yè)，單點突破。

最近陸奇在CES明確表示：“我們認(rèn)為自己是一家旨在加快創(chuàng)新的AI公司，致力于實現(xiàn)AI技術(shù)的產(chǎn)品化和商業(yè)化。我想強調(diào)的是，最重要的是將該技術(shù)商業(yè)化，否則一切都是空談?！?/p>

阿里巴巴

眾所周知，馬云不喜歡“人工智能”這個說法，偏好機器智能。說辭的變化不影響本質(zhì)。在整個互聯(lián)網(wǎng)行業(yè)涌向AI的浪潮中，阿里也在2017年推出“NASA計劃”和承載它的實體組織：達摩院。

達摩院的研究領(lǐng)域可謂廣撒網(wǎng)，涉及量子計算、機器學(xué)習(xí)、基礎(chǔ)算法、網(wǎng)絡(luò)安全、視覺計算、自然語言處理、人機自然交互、芯片技術(shù)、傳感器技術(shù)、嵌入式系統(tǒng)等，可以看出，AI在其中占據(jù)了半壁江山。達摩院的主要任務(wù)，是在全球范圍內(nèi)建實驗室招攬人才，和高校建立合作。

實際上，阿里AI研究起步的遠遠早于達摩院，這家公司大部分AI基礎(chǔ)研究成果，出自2014年成立的數(shù)據(jù)科學(xué)與技術(shù)研究院，也就是iDST。

比如最近機器閱讀理解方面取得突破的阿里團隊，就來自iDST。當(dāng)然阿里內(nèi)部體系眾多，展開AI研究的部門也不少。例如在“雙十一”期間，商品推薦、客服、海報宣傳、運營維護等方面均有AI技術(shù)的加持。螞蟻金服也在與金融機構(gòu)的合作中，把AI技術(shù)作為一個重要的亮點。

另外，不喜歡“人工智能”這個詞的阿里，還有一個以之為名的人工智能實驗室：A.I. Labs，它不止是一個研究機構(gòu)，還承擔(dān)著基于AI技術(shù)打造平臺、推出產(chǎn)品的職責(zé)。目前，他們除了天貓精靈智能音箱和搭載的AliGenie操作系統(tǒng)、AliGenie語音開放平臺之外，還推出了AR開放平臺和AR內(nèi)容平臺。

從2017年末開始，自動駕駛也成為了A.I. Labs發(fā)力的領(lǐng)域之一。

和自帶產(chǎn)品開發(fā)職責(zé)的A.I. Labs不同，iDST的研究成果走進現(xiàn)實世界，依靠的是他們打造的一個個“大腦”。這兩年來，阿里云相繼推出了ET城市大腦、ET醫(yī)療大腦、ET工業(yè)大腦、ET環(huán)境大腦、ET航空大腦，將AI能力與大數(shù)據(jù)和云計算結(jié)合起來，在各個垂直市場跑馬圈地。

阿里最近，在努力將這些大腦們整合為一個統(tǒng)一的平臺：阿里云ET大腦。2017年最后一場云棲大會上，ET大腦正式，所布局的領(lǐng)域也不再限于原本的城市管理、醫(yī)療、工業(yè)、環(huán)保、航空，同樣走上了“廣撒網(wǎng)”之路。

騰訊

騰訊無論做什么，都不會只投入一支團隊。在人工智能上也是一樣。

要論基礎(chǔ)研究，騰訊有AI Lab、優(yōu)圖實驗室和微信AI實驗室三大機構(gòu)，優(yōu)圖專注于計算機視覺技術(shù)，而AI Lab和微信AI在研究方向上雖然叫法不同，但多有重合，都是AI實驗室標(biāo)配的機器學(xué)習(xí)、自然語言處理、語音識別和計算機視覺。

根據(jù)各個實驗室列出的合作伙伴和案例，這些實驗室的技術(shù)，大部分都輸送到了騰訊各條產(chǎn)品線之中，成了微信里的語音轉(zhuǎn)文字、視頻音樂新聞的推薦和排序、QQ的高能舞室、天天P圖的軍裝照……

但是，就算產(chǎn)品體量龐大如鵝廠，也承載不完“AI in All”的野心。

騰訊的AI技術(shù)也同樣尋求著在更多垂直領(lǐng)域的落地應(yīng)用，其中最引人注目的，是醫(yī)療平臺騰訊覓影。在金融、安防、政府政務(wù)、智慧零售等等領(lǐng)域，騰訊也都將AI技術(shù)與自身的社交、支付、地圖、小程序等等技術(shù)結(jié)合起來，推出了垂直解決方案。

另外，騰訊也有類似于百度大腦的“AI開放平臺”，在深耕的垂直領(lǐng)域之外，將自己的AI技能開放出來，供應(yīng)給開發(fā)者。不過，目前這個“開放平臺”的用戶案例，依然是以騰訊內(nèi)部產(chǎn)品為主。

在戰(zhàn)局最喧鬧的自動駕駛和對話式AI平臺上，騰訊也分別投入了不止一支團隊，開始造平臺、積累合作伙伴。

雖然騰訊進軍AI的時間較晚，但是能明顯感到動作和決心都很大。

重點戰(zhàn)場梳理

矛盾有主有次。

雖說廣闊天地大有作為，三家也各自有欽定的重點方向。但仍有一些是戰(zhàn)場是重中之重，也是未來BAT在人工智能技術(shù)落地的過程中，有可能最早展開廝殺之地。

對話式AI

人機交互的重大革新、下一代服務(wù)入口、下一個Android、家庭的控制中心……種種期待，讓用于智能設(shè)備的對話式AI成了BAT爭奪最激烈的領(lǐng)域。

百度有DuerOS，阿里有AliGenie，騰訊則至少有兩個：騰訊云小微和移動互聯(lián)網(wǎng)事業(yè)群（MIG）的叮當(dāng)。

如果我們以智能音箱銷量來評判對話式AI系統(tǒng)的發(fā)展，很會做生意的阿里似乎沖在最前。2017年7月，阿里AI Labs初次亮相，了一款智能音箱：天貓精靈X1。這款音箱，雙十一降價促銷，當(dāng)天賣出了100萬臺。

但是，賣音箱只是手段而非目的。天貓精靈背后的終極目標(biāo)，還是一個關(guān)于AliGenie開放平臺、生態(tài)系統(tǒng)的夢想。

這個生態(tài)系統(tǒng)的夢想，BAT都有。

百度雖然直到去年底才推出渡鴉raven H智能音箱，但最新的數(shù)據(jù)顯示，DuerOS開放平臺半年時間里，已新增130余家合作伙伴，落地硬件解決方案超過20個，每月新增5款以上搭載DuerOS的設(shè)備，覆蓋家居、車載、移動各個場景，機頂盒、電視、冰箱、音箱、機器人、車載、手機、耳機等各類設(shè)備。

為了守住這個領(lǐng)域，百度除了在北京和硅谷建設(shè)AI龐大的團隊之外，還收購了兩家創(chuàng)業(yè)公司：做語音交互和自然語言理解的Kitt.ai，和后來推出了raven H音箱的渡鴉。

內(nèi)部競爭還未分勝負(fù)的騰訊勢頭也很猛。公開亮過相的兩個團隊里，叮當(dāng)?shù)陌l(fā)展速度似乎更快一些。2017年4月，它作為一個“語音助手”以App的形態(tài)，12月20日，了首款合作硬件1More耳機。截至目前，叮當(dāng)雖然沒有推出名為“硬件開放平臺”的東西，但他們的“生態(tài)伙伴計劃”也的確很見成效，做機器人的優(yōu)必選、做音箱的哈曼、造車的廣汽、做手機的魅族、努比亞等二十多家硬件廠商，都在騰訊叮當(dāng)?shù)暮献靼咐麊沃稀?/p>

相比之下，騰訊云小微的硬件開放平臺和技能開放平臺仍處于內(nèi)測狀態(tài)，除了和華碩一起造的機器人之外，沒有太多關(guān)于合作伙伴的聲音傳出。值得一提的是，他們似乎在硬件之外，開辟了一條退路：智能客服。

智能音箱先行的AliGenie同樣不是天貓精靈專屬，它的硬件接入平臺頁面上，也展示著十多家合作伙伴。另外，AliGenie還推出了垂直行業(yè)智能語音解決方案，想在家居、移動硬件之外，為對話式AI開辟出新場景。

自動駕駛

2億輛汽車和200多家OEM車廠，勾畫出一個有更大想象空間的產(chǎn)業(yè)。

BAT在出行這件事兒上向來不安分，戰(zhàn)火從地圖、打車軟件一路燒到了自動駕駛。

如果我們將時間倒回一年之前，你可能會發(fā)現(xiàn)，“自動駕駛”這個話題，幾乎還只有百度一家在談。而2017年過完，BAT已經(jīng)悉數(shù)入局。最后一個傳出消息的，是阿里。

阿里的自動駕駛業(yè)務(wù)目前還處在招兵買馬階段。12月中旬開始，阿里官方網(wǎng)站上開始出現(xiàn)自動駕駛相關(guān)的人工智能實驗室（A.I. Labs）崗位，另外據(jù)36氪報道，這個團隊中有不少無人車創(chuàng)業(yè)公司nuTonomy的舊部，已經(jīng)開始面向車廠做介紹。

在這之前，阿里和車廠的交集，都圍繞著互聯(lián)網(wǎng)汽車操作系統(tǒng)發(fā)生，最親密的盟友可能要數(shù)上汽。阿里和上汽合作打造的斑馬智行，已經(jīng)推出了“全球首款互聯(lián)網(wǎng)汽車”榮威RX5。美國大廠福特、Tier 1供應(yīng)商德爾福也是阿里的合作伙伴。除了這些合作伙伴之外，阿里還投資了一家國產(chǎn)電動汽車廠商：小鵬。

在投資車廠這件事上，出手最闊綽的當(dāng)屬騰訊。除了先后入股創(chuàng)業(yè)公司蔚來和威馬，騰訊還在二級市場投資了特斯拉5%的股權(quán)，甚至秘密在硅谷投資了一家自動駕駛公司。

而騰訊本身的自動駕駛業(yè)務(wù)，據(jù)說已經(jīng)到了全面研發(fā)、多次路測的階段。

在自動駕駛進展還不夠清晰的當(dāng)下，騰訊的合作伙伴，也大多與AI in Car車聯(lián)網(wǎng)系統(tǒng)相關(guān)，廣汽、長安、吉利、比亞迪、東風(fēng)柳汽、博世都和騰訊有著或多或少的聯(lián)系。

自動駕駛領(lǐng)域的領(lǐng)先者，其實已經(jīng)被科技部點了名。2017年11月，科技部公布首批國家人工智能開放創(chuàng)新平臺名單，其中自動駕駛方面依托百度公司建設(shè)自動駕駛國家新一代人工智能開放創(chuàng)新平臺。

入局最早的百度，和阿里騰訊早已不在同一個發(fā)展階段。百度已經(jīng)圍繞Apollo與博世、大陸、一汽、長安、奇瑞、北汽、金龍等90多家企業(yè)達成了合作，也探索出了一條清晰的路線——還是在這個領(lǐng)域打造一個Android。

Apollo，是百度2017年4月啟動的自動駕駛開放平臺，要為合作伙伴提供一個開放、完整、安全的軟件平臺，幫他們搭建完整的自動駕駛系統(tǒng)。到2018年初Apollo 2.0的，云端服務(wù)平臺、軟件平臺、硬件平臺、車輛平臺在內(nèi)的四大模塊全部開放，釋放了在簡單城市道路上自動駕駛的能力。一切，都按照去年7月公布的路線圖進行著。

按計劃，2018-2020年，百度會加快開放速度，直到最后能讓合作伙伴完成完全自動駕駛。

但對于Apollo來說，更重要的還是生態(tài)。所謂生態(tài)，不僅僅是被賦能的車廠，Apollo還為向產(chǎn)業(yè)鏈上下游延伸而建立了基金，要在未來3年投出100多個項目。作為一個開源系統(tǒng)，創(chuàng)業(yè)公司、高校實驗室同樣是Apollo的伙伴。

和騰訊一樣，百度也投資了威馬汽車，也投資了共享出行平臺首汽約車。此前百度還投資了自動駕駛關(guān)鍵部件激光雷達的核心廠家Velodyne，相關(guān)技術(shù)開放商xPerception等。

金融

還有一個不可忽略的戰(zhàn)場，是金融。

阿里旗下的金融巨頭螞蟻金服和阿里云都在嘗試賦能金融機構(gòu)。

2017年1月以來，螞蟻金服開始逐漸轉(zhuǎn)變自己的定位，嘗試用自身積累的技術(shù)能力來賦能、服務(wù)金融機構(gòu)。夏天，螞蟻金服在理財和保險領(lǐng)域，向金融機構(gòu)開放了“理解用戶”、“優(yōu)化投資策略”和“用戶與金融產(chǎn)品匹配”三個層面的能力，后來，AI客服能力、智能圖像定損技術(shù)等等也相繼開放。然而這還并不是螞蟻金服AI布局的全貌，首席數(shù)據(jù)科學(xué)家漆遠說：“螞蟻AI技術(shù)將成熟一個，開放一個?！?/p>

2017年底，阿里云又了ET金融大腦，要幫合作伙伴風(fēng)控、營銷和客服方面提高效率。

相比之下，騰訊向金融行業(yè)合作伙伴提供的技術(shù)就顯得比較表面，沒有涉及風(fēng)控這樣的專業(yè)垂直應(yīng)用，而只是將更為通用的身份檢測、客服等能力注入其中。

你可能想不到，百度，也是這個戰(zhàn)場上的一個重要玩家。雖然百度金融這一年來在to C市場上聲量不大，但這家“All in AI”的公司，在金融上也要將“智能化”堅持到底。

在11月的百度世界大會上，百度金融技術(shù)負(fù)責(zé)人許東亮說，百度金融已經(jīng)賦能近400家機構(gòu)，為機構(gòu)客戶提供解決方案，為它們提供安全防護、智能獲客、大數(shù)據(jù)風(fēng)控等服務(wù)。

百度金融據(jù)說還在謀劃更為獨立的未來。

醫(yī)療

要說AI在各行各業(yè)的應(yīng)用，不少人都會第一個想到醫(yī)療影像。

在這個領(lǐng)域，百度在醫(yī)療事業(yè)部部分團隊轉(zhuǎn)入AI體系之后就悄無聲息，但騰訊和阿里都在搶占布局。

首批國家新一代人工智能開放創(chuàng)新平臺中，騰訊就以醫(yī)療影像平臺“覓影”入選。騰訊覓影于2017年8月，最先推出的是早期食管癌篩查。后來，覓影又相繼推出早期肺癌篩查、糖尿病性視網(wǎng)膜病變篩查、乳腺癌早期篩查等醫(yī)療影像技術(shù)，還基于自然語言處理推出了AI輔助診療、病案智能化管理產(chǎn)品。

騰訊覓影結(jié)合了AI lab、騰訊優(yōu)圖、TEG架構(gòu)平臺部等團隊的AI技術(shù)，由互聯(lián)網(wǎng)+合作事業(yè)部牽頭建立。推出至今不到半年，騰訊覓影已經(jīng)有了西門子醫(yī)療、蘭州大學(xué)第二醫(yī)院、深圳市南山人民醫(yī)院、中山醫(yī)院等十幾家合作伙伴。

馬化騰此前表示，醫(yī)療與AI是非常好的落腳點，未來騰訊在醫(yī)療方面會做更多的事情。

阿里入局AI醫(yī)療其實比騰訊還要早。2017年3月底，ET醫(yī)療大腦首次亮相，宣稱具有虛擬助理、醫(yī)學(xué)影像、精準(zhǔn)醫(yī)療、藥效挖掘、新藥研發(fā)、健康管理等功能。

與騰訊思路不同的是，ET醫(yī)療大腦的技術(shù)并非都出自阿里內(nèi)部，而是聚集了不少合作伙伴一起提供服務(wù)，比如做皮膚檢測的宜遠智能、分析病歷的惠每醫(yī)療等等。

目前的阿里云ET醫(yī)療大腦，能夠提供影像智能診斷、智能病歷診斷、語音醫(yī)囑錄入、醫(yī)療意圖識別、輔助管理決策、家庭慢病管理、DNA序列分析等功能。阿里在醫(yī)療方面，還跟華大基因、上海華山醫(yī)院、浙江衛(wèi)計委等機構(gòu)展開合作。

另外，阿里去年也在醫(yī)療方面有一些投資布局，包括嘉和美康、Prenetics等。騰訊的動作也不少，去年已經(jīng)披露出來的醫(yī)療相關(guān)投資包括：VoxelCloud、Grail、企鵝醫(yī)生、Practo等。

零售

不管是新零售還是舊零售，不管是線上還是線下，阿里在這個領(lǐng)域都有天然的優(yōu)勢。

先梳理一下AI給阿里自身業(yè)務(wù)帶來的變化。機器人客服“阿里小蜜”，雙11當(dāng)天承擔(dān)95%客服咨詢；機器智能推薦系統(tǒng)，雙11當(dāng)天產(chǎn)生567億不同的貨架；AI設(shè)計師“魯班”，雙11期間，設(shè)計4.1億張商品海報；華北數(shù)據(jù)中心運維機器人：接替運維人員30%重復(fù)性工作……

與AI之于百度的搜索業(yè)務(wù)一樣，AI之于阿里的電商業(yè)務(wù)也具備天然的賦能加成。除了上面提及的進展，螞蟻金服還基于AI技術(shù)推出客服機器人“小螞答”，以及AI助力的車輛定損服務(wù)“定損寶”等。

阿里還搞出了無人零售咖啡店。無人商店，是一個未來非常有意思的趨勢。

此外，阿里在新零售思想的指引下，還大舉投資了一批線下零售相關(guān)企業(yè)，包括：企加云、大潤發(fā)、東方股份、新華都、易果生鮮、銀泰、bigbasket、聯(lián)華超市……

可以想見，阿里在零售方面的生態(tài)布局，一定會成為其AI技術(shù)應(yīng)用的重要場景。

零售不是騰訊的強項，不過騰訊也提出了“智慧零售”的概念。騰訊COO任宇昕對此解釋稱：騰訊希望的是通過’去中心化’的方式，把平臺能力開放給廣大品牌商、零售商以及商業(yè)地產(chǎn)等合作伙伴。

騰訊表示將提供場景、大數(shù)據(jù)、AI技術(shù)支持，以及騰訊全產(chǎn)品線，幫助商家量身定做解決方案，幫助線下門店實現(xiàn)數(shù)據(jù)化和智能化，讓消費者與商品之間，實現(xiàn)跨場景的智慧連接。

第3篇：人工智能醫(yī)療方向范文

這些前后端的人工智能技術(shù)在應(yīng)用又可分為四類：語音識別、圖像識別、自然語言處理和用戶畫像。那么在這四類具體應(yīng)用的實現(xiàn)上AI技術(shù)給我們生活帶來哪些便利，同時存在哪些局限？下面一一來解構(gòu)：

一、語音識別

語音識別

語音識別有兩個技術(shù)方向，一個是語音的識別，另一個是語音的合成。

語音識別是指我們自然發(fā)出的聲音需要機器轉(zhuǎn)換成語言符號，通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)轫憫?yīng)的文本或命令，然后再與我們交互。語音識別技術(shù)可以應(yīng)用在電話銷售上，例如：公司新人特別多，沒有經(jīng)驗，拿到單子的可能性很低。怎么才能讓新人也能有很優(yōu)秀的銷售能力呢？過去的做法是，把經(jīng)驗總結(jié)成冊子，讓新人去背，很容易就忘了。但如果有了高精度的語音識別能力，就能識別出客戶在問什么，然后在屏幕上告訴新人，該怎么回答這個問題。

語音識別的第二個方向是語音的合成，是指機器把文字轉(zhuǎn)換成語音，并且能夠根據(jù)個人需求定制語音，然后念出來。以前的聲音是那種勻速的、沒有語調(diào)起伏的機器聲音，現(xiàn)在能用比較自然的人聲。語音合成能模擬任何一個你喜歡的人的說話方式，可以做到每個人聽的東西都不一樣。我們駕車經(jīng)常使用的百度導(dǎo)航里李彥宏的聲音就是語音合成的結(jié)果。

盡管深度學(xué)習(xí)被引入語音識別后，識別率迅速提升到95%，但要將ASR（自動語音識別）從僅在大部分時間適用于一部分人發(fā)展到在任何時候適用于任何人，仍然是不現(xiàn)實的。一個無法突破的問題就是語義錯誤。例如：生活在南京的人都知道有個地方叫卡子門（kazimen），但是百度導(dǎo)航在理解卡子門的時候，會分詞為：“卡子-門”，結(jié)果卡子門（kazimen）就被讀成了卡子門（qiazimen）。

二、圖像識別

計算機視覺

圖像識別就是我們常說的計算機視覺（CV）。常用在：印刷文字識別、人臉識別、五官定位、人臉對比與驗證、人臉檢索、圖片標(biāo)簽、身份證光學(xué)字符識別（OCR）、名片OCR識別等領(lǐng)域。

人類認(rèn)識了解世界的信息中大部分來自視覺，同樣，計算機視覺也成了機器認(rèn)知世界的基礎(chǔ)，其終極目的就是讓計算機能像人一樣“看懂世界”。目前計算機視覺在人臉識別、圖像識別、增強現(xiàn)實等方面有很好的應(yīng)用，但也存在一定的挑戰(zhàn)。我們就拿谷歌的無人駕駛來說，通過機器視覺識別的技術(shù)路徑在現(xiàn)階段，仍有完全無法逾越的技術(shù)難題。

不談算法，圖像的攝取精度就是難關(guān)，即使最頂級的攝像設(shè)備都無法達到人眼的細節(jié)獲取能力，看看最頂級的哈蘇相機配合最頂級鏡頭，在夜晚街頭短曝光時間下拍的照片，對比人眼看到的圖像就能看到差異，這還不談經(jīng)濟上可行的低成本攝像設(shè)備，視覺識別自動駕駛這個系統(tǒng)，眼睛就是近視眼。

而且如果下雨，灰塵等對分辨的影響都是很難解決的bug。如果配合雷達的話又有邏輯判斷優(yōu)先的問題，信攝像頭，還是信雷達？會不會誤報？而作為激光雷達，如果單純的車身自己也有同樣的邏輯判斷的問題，什么樣的東西是有威脅的，什么是無威脅的。什么是潛在的威脅，這都不是計算機視覺這種單一智能所能解決的。因為預(yù)測未來的感知能力，是人與機器最大的區(qū)別。

三、自然語言處理（NLP）

賢二機器僧

自然語言是人類智慧的結(jié)晶。自然語言處理（NLP）是人工智能中最為困難的問題之一。由于理解自然語言，需要關(guān)于外在世界的廣泛知識以及運用操作這些知識的能力，自然語言認(rèn)知，同時也被視為一個人工智能完備（AI-complete）的問題。

舉個例子，我們以前用鍵盤，鼠標(biāo)，觸摸屏去和設(shè)備互動。但是現(xiàn)在你操作設(shè)備，只需沖著智能音箱說：請給我的手機充值100元即可。雖然這種功能在阿里的天貓精靈上已經(jīng)實現(xiàn)了，但實現(xiàn)的前提是天貓精靈APP上已經(jīng)錄有你的聲紋，并且你的手機號碼，及支付密碼已經(jīng)預(yù)先在APP端設(shè)置好，否則機器沒有辦法理解我是誰、給誰的手機充值100元話費。

其次，自然語言處理背后所依賴的是傳統(tǒng)的問答系統(tǒng)技術(shù)，即Question Answering（QA）。QA技術(shù)是自然語言處理中非常重要的一個研究方向，原理是：對于輸入的問題首先做句法分析，從而理解問題或者指令的結(jié)構(gòu)和意圖。比如如果用戶問的問題是某人出生在哪兒，那么機器需要先對這句話進行解析，進而了解所要回答的應(yīng)當(dāng)是一個地點，并且這個地點應(yīng)當(dāng)滿足某人出生與此的條件。

當(dāng)我們能夠準(zhǔn)確地了解到用戶提問的意圖并能根據(jù)機器可以理解的方式重新組織之后，就需要尋找答案。為了實現(xiàn)這一目的，QA系統(tǒng)的背后都存在一個龐大的數(shù)據(jù)庫（也就是知識庫），這個數(shù)據(jù)庫中存儲著所有的指令對應(yīng)的行為或者問題對應(yīng)的答案，當(dāng)系統(tǒng)在數(shù)據(jù)庫中搜索到了自己要做什么或者回答什么的時候，就可以將答案反饋給用戶，或者直接實現(xiàn)用戶的指令。當(dāng)然，如果數(shù)據(jù)庫的規(guī)模實在有限，有一個兜底的方法就是基于信息檢索來返回答案，即將用戶的輸入提取出關(guān)鍵詞然后求助于搜索引擎返回相關(guān)的內(nèi)容再返回給用戶，由于互聯(lián)網(wǎng)無所不包，因此結(jié)果一般也尚可接受。

自然語言處理這塊相關(guān)落地的產(chǎn)品就很多啦。典型的代表就是聊天機器人，其中一類是以Siri、Amazon Echo、微軟小娜、阿里天貓精靈、小米小AI音箱等為代表，偏向于工具性的服務(wù)型機器人。另一類則是以微軟小冰為代表的娛樂型機器人。第一類聊天機器人，以完成任務(wù)或回答事實性問題為導(dǎo)向，譬如你問天貓精靈“今天的天氣如何？”，或者給“小愛同學(xué)”下達“關(guān)閉臥室臺燈”等指令。第二類則以閑聊為導(dǎo)向，并不需要給出某一個事實性問題的解答，只要交談自如、博君一笑即可。比如：北京龍泉寺的賢二機器僧。

四、用戶畫像

碟中諜6：全面瓦解

用戶畫像是根據(jù)用戶社會屬性、生活習(xí)慣和消費行為等信息/數(shù)據(jù)而抽象出的一個標(biāo)簽化的用戶模型。構(gòu)建用戶畫像的核心工作即是給用戶貼“標(biāo)簽”——用數(shù)據(jù)來描述人的行為和特征，而標(biāo)簽是通過對用戶信息分析而來的高度簡練的特征標(biāo)識。

用戶畫像在商業(yè)領(lǐng)域應(yīng)用的非常廣泛。拿百度舉例。百度現(xiàn)在識別了將近10億用戶，用了幾千萬個細分標(biāo)簽給用戶分類，比如性別、年齡、地理位置，還有這個人在金融領(lǐng)域的情況，在旅游方面有什么愛好等等。這些東西合在一起，就組成了用戶畫像。百度就知道你是什么樣的人，喜歡什么樣的東西。比如，今年暑期檔將要上映的電影《碟中諜6：全面瓦解》，在宣傳的時候把人群分成了三類，一類是不管怎樣都要看的，一類是不管怎么都不會看的，第三類是可能會進電影院的。宣傳方就會使用百度大腦的用戶畫像功能，識別出第三類人群，對這類觀眾進行定向宣傳。

人工智能在用戶畫像里最重要的作用就是找到相關(guān)性，給用戶打標(biāo)簽。用戶標(biāo)簽是表達人的基本屬性、行為傾向、興趣偏好等某一個維度的數(shù)據(jù)標(biāo)識，它是一種相關(guān)性很強的關(guān)鍵字，可以簡潔的描述和分類人群。比如好人和壞人、90后80后，星座、白領(lǐng)等。具體流程一般是從紛亂復(fù)雜、瑣碎的用戶行為流（日志）中挖掘用戶在一段時間內(nèi)比較穩(wěn)定的特征，即給用戶打上標(biāo)簽。

舉例來說，如果你經(jīng)常購買一些紙尿褲，那么電商網(wǎng)站即可根據(jù)母嬰購買的情況替你打上標(biāo)簽“有孩子”，甚至還可以判斷出你孩子大概的年齡，貼上“有1-4歲的孩子”這樣更為具體的標(biāo)簽，而這些所有給你貼的標(biāo)簽組，就成了你的用戶畫像，也可以說用戶畫像就是判斷一個人是什么樣的人。但是今天的人工智能雖然能夠找到相關(guān)性，但是卻無法找到內(nèi)在的邏輯，因此容易把前提和結(jié)論搞反了。比如根據(jù)大數(shù)據(jù)的統(tǒng)計，喝咖啡的人比不喝咖啡的人長壽。但大數(shù)據(jù)沒告訴大家喝咖啡是不是原因，或許是生活水平高的人才有錢、有時間喝咖啡。所以真實的情況是長壽的人喝咖啡。

五、人工智能算法

深度學(xué)習(xí)算法

說完了語音識別、圖像識別和自然語言處理這些涉及交互的前端人工智能技術(shù)， 我們再來說說后端人工智能技術(shù)。后端的人工智能技術(shù)指的就是人工智能的核心算法，包括深度學(xué)習(xí)算法、記憶預(yù)測模型算法等。

首先，我們來說說深度學(xué)習(xí)算法。我們知道2016年是人工智能爆發(fā)的一年，先有AlphaGo戰(zhàn)勝李世石，到了年底又有Master連勝60場，橫掃中日韓圍棋高手，一時間輿論為之震驚。這個Alpha Go背后的DeepMind團隊，用的就是深度增強式學(xué)習(xí)，這是深層神經(jīng)網(wǎng)絡(luò)用于決策領(lǐng)域的成果。深度學(xué)習(xí)是機器學(xué)習(xí)的一個新領(lǐng)域，普遍認(rèn)為深度學(xué)習(xí)的開創(chuàng)者是加拿大多倫多大學(xué)一位叫Geoffrey Hinton的教授，他是一位“神經(jīng)科學(xué)家+計算機科學(xué)家”，他認(rèn)為大腦是用全息的方式存儲外界世界信息的，并且從上世紀(jì)80年代就開始研究用計算機系統(tǒng)架構(gòu)來模擬人類大腦，就是我們今天說的深度學(xué)習(xí)的原型。

今天我們可以這樣理解深度學(xué)習(xí)算法，深度學(xué)習(xí)就是運用神經(jīng)網(wǎng)絡(luò)一層又一層的計算來找到最優(yōu)的參數(shù)，再結(jié)合參數(shù)去做出未來的決定。出發(fā)點在于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)的整個學(xué)習(xí)過程中，幾乎可以做到直接把海量數(shù)據(jù)投放到算法中，讓數(shù)據(jù)自己說話，系統(tǒng)會自動從數(shù)據(jù)中學(xué)習(xí)。從輸入到輸出是一個完全自動的過程。深度學(xué)習(xí)算法現(xiàn)在被設(shè)計成實現(xiàn)設(shè)計者既定目標(biāo)的工具。比如，AlphaGo的目標(biāo)就是去贏得圍棋比賽，而不是去開車或干其他事情。AlphaGo不能自己設(shè)定自己的目標(biāo)，如果要完成另一個目標(biāo)，就需要設(shè)計另一種機器。當(dāng)然人工智能有N多條路，深度學(xué)習(xí)算法是目前人工智能算法里表現(xiàn)最好的。但深度學(xué)習(xí)并不是一上來就好的，讓深度學(xué)習(xí)崛起還有兩個華人：

一個就是斯坦福的教授，也是后來谷歌大腦的創(chuàng)始人吳恩達教授，因為他發(fā)現(xiàn)深度學(xué)習(xí)需要有更強的計算能力，所以他找到了英偉達的GPU（Graphics Processing Unit，圖形處理單元），使得計算能力提升了上百倍。

另外一個人也是斯坦福的教授李飛飛，她建立了一個圖像識別資料庫。而且這個庫里面的所有的圖像都是標(biāo)注過的，也就是說，如果圖里有山就會標(biāo)注出山，如果有樹就標(biāo)注出樹。這樣的話，你可以用這個圖形庫來訓(xùn)練人工智能系統(tǒng)，看它能不能識別出來這個圖形庫上面所標(biāo)注的這些元素。經(jīng)過這個圖像庫的訓(xùn)練，就可以訓(xùn)練出視覺能力超過人的人工智能系統(tǒng)。

但是千萬不要以為深度學(xué)習(xí)達到今天的水平就是無敵了，甚至可以超越人類了。深度學(xué)習(xí)發(fā)展起來的人工智能系統(tǒng)存在一個明顯的缺陷，就是他的過程無法描述，機器不能用人的語言說出來它是怎么做到的。例如，Alpha Go打敗了李世石，你要問AlphaGo是為什么走這步棋，它是答不上來的。也就是說，我們沒辦法知道機器做事情的動機和理由。

要想更好的認(rèn)識到人工智能算法的局限性，需要引入一個概念，就是認(rèn)知復(fù)雜度。什么是認(rèn)知復(fù)雜度呢？就是指你建構(gòu)“客觀”世界的能力。認(rèn)知復(fù)雜度高的人，善于同時用互補，或者互不相容的概念來理解客觀世界，因為真實世界本身就不是非黑即白的。那么對于機器來說，“認(rèn)知計算”和“人工智能”有啥關(guān)系呢？人工智能的未來一般被分為三個發(fā)展方向：人搞定機器、機器搞定人和“人機共生”。而以“人機共生”為目標(biāo)的人工智能，就是認(rèn)知計算。IBM在認(rèn)知計算領(lǐng)域獲得了大量經(jīng)驗，并且總結(jié)了認(rèn)知計算的三個能力，分別是交流、決策，和發(fā)現(xiàn)。

（1）交流

第一個能力是交流，認(rèn)知計算可以處理非結(jié)構(gòu)性的問題。很多用Siri的人，只會把這當(dāng)成娛樂功能，因為它不能保證交流內(nèi)容的準(zhǔn)確性，有時Siri根本接不上你的話，因為你的話對它來說太復(fù)雜了。這個只能算作人工智能比較初始的狀態(tài)。

而認(rèn)知計算可以完全模仿人類的認(rèn)知，你可以把它當(dāng)做一個孩子。就好像孩子周圍有一群逗他玩的大人，有人告訴孩子1+1=2，也有人說1+1=3。但是隨著孩子的成長，他自己會明白1+1=2才是對的。這就是非結(jié)構(gòu)性問題。早期的人工智能只能學(xué)會別人教給他的知識，但是認(rèn)知計算可以處理模糊的，甚至是自相矛盾的信息。

（2）決策

第二個能力是決策，我們都知道人工智能可以分析復(fù)雜的邏輯，然后做出決策。認(rèn)知計算可以更進一步，根據(jù)新的信息來調(diào)整自己的決策。更厲害的是，認(rèn)知系統(tǒng)所做的決策是沒有偏見的，而“毫無偏見的決策”對人類來說幾乎是一件不可能的事。比如說治療癌癥，這是典型的醫(yī)療決策場景。

癌癥之所以難治，一方面由于這種疾病太過復(fù)雜，另一方面，醫(yī)生如果不能及時發(fā)現(xiàn)患者的癌癥信號，可能會延誤患者的治療，或者導(dǎo)致診斷錯誤。而認(rèn)知計算可以綜合分析復(fù)雜的醫(yī)療數(shù)據(jù)，還可以在醫(yī)生語言的上下文中解析含義，最后提出它的建議。

這就大大減少了醫(yī)生查病歷的時間，讓醫(yī)生能將更多的時間用在患者身上。2016年8月，《東京新聞》報道說，IBM研發(fā)的認(rèn)知計算機器人“沃森”，就學(xué)習(xí)了海量的醫(yī)學(xué)論文，只用了10分鐘，就為一名患者診斷出了很難判斷的白血病類型，還向東京大學(xué)醫(yī)科學(xué)研究所提出了適當(dāng)?shù)闹委煼桨浮?/p>

（3）發(fā)現(xiàn)

第三個能力是發(fā)現(xiàn)，認(rèn)知計算能發(fā)現(xiàn)新事物和新連接，填補人類思維的空白。比如在競爭激烈的餐飲業(yè)，怎樣才能做出令顧客滿意的新菜品呢？

認(rèn)知系統(tǒng)可以整合區(qū)域知識、文化知識，還有各種食物搭配理論，幫助用戶發(fā)現(xiàn)想象不到的美食搭配。比如突然有一天，它會告訴你：用鹵煮的配方做個披薩，可能很合你的胃口。你照著一做，發(fā)現(xiàn)還不錯！實際上，從2015年開始，IBM開發(fā)的“沃森大廚”，就已經(jīng)學(xué)習(xí)了35000多種經(jīng)典食譜，然后通過分析海量的食材搭配，結(jié)合化學(xué)、營養(yǎng)學(xué)等方面數(shù)據(jù)，為廚師和美食家?guī)砹顺鋈祟愊胂蟮男滦褪匙V。

認(rèn)知計算可以幫助我們更好的交流、決策和發(fā)現(xiàn)。但是人工智能依然有很多做不到的。例如：抽象能力，自我意識，審美，情感等。

第4篇：人工智能醫(yī)療方向范文

這不是現(xiàn)在它自己就可以作出的決定—注意，我說的是現(xiàn)在。至于以后，這會是一個更重大的話題。

我們可以先從它怎樣為IBM帶去新生意談起。接受《第一財經(jīng)周刊》采訪的沃森商業(yè)化主管Manoj Saxena最近透露說，IBM的相關(guān)規(guī)劃已經(jīng)制訂到了2015年。而到了那一年，“包括沃森項目在內(nèi)的IBM數(shù)據(jù)分析業(yè)務(wù)收入將超過160億美元?！?/p>

這不算一個小數(shù)目，它看起來比深藍要厲害多了。要知道因為擊敗了國際象棋冠軍，深藍也曾經(jīng)名噪一時，但它最終只是成為了IBM每年公司折舊費用上的一部分?jǐn)?shù)字。

很大程度上，這是因為沃森站在了深藍的肩膀上。

2011年2月16日晚，在超過3500萬名觀眾面前，沃森在美國著名的智力競賽節(jié)目《危機邊緣（Jeopardy）》中，擊敗曾連續(xù)74次奪冠的Ken Jennings和另一位選手Brad Rutter，拿走了100萬美元獎金。后來Ken Jennings在他的題板上寫下了那句被人們所熟知的話：“嗨，電腦們。現(xiàn)在，我們的新老大來了！”

他是被這樣一臺東西擊敗的：它有一塊方型顯示屏，還有90臺IBM POWER 750處理器—其中包括2880個CPU，還有15TB的內(nèi)存。這些都被藏在演播室上方的機房里。

IBM大中華區(qū)Power服務(wù)器產(chǎn)品部總經(jīng)理侯淼解釋說，這樣的配置可以讓沃森每秒進行80TB的浮點運算。這相當(dāng)于每秒閱讀100萬本書籍，而它身邊的Ken和Brad可能一輩子也讀不完其中的1%。

類似這樣的超強運算能力深藍其實也具備，并且也正是依靠這種能力，它才可以每秒分析2億步棋，最終戰(zhàn)勝了卡斯帕羅夫。但如果要讓深藍參加智力競賽，它可能一題也答不上來，甚至連問題也無法理解。

這正是沃森的強大之處：它可以理解人們所說的話，并快速做出反饋。這個被稱為“頭腦”的部分，是IBM為沃森研發(fā)的深度問題回答（Deep QA）技術(shù)。

再通俗點說，這是人工智能（AI）的真正開始。

舉個例子的話，當(dāng)沃森被問到“哪個城市在2008年舉辦了一項標(biāo)志為‘五環(huán)’的重要賽事”時，它的整個處理過程是這樣的：第一步，根據(jù)語法，找到“問題焦點”并進行標(biāo)注，在這一題中，“城市”就是問題焦點；第二步，它會對“2008年”、“標(biāo)志”、“五環(huán)”、“重要賽事”等關(guān)鍵詞，按照不同權(quán)重進行知識庫搜索，從中抽取初始答案；第三步，將這些初始答案—常常是成百上千個模糊答案，重新帶回到問題中；最后一步，也是最關(guān)鍵的一步，沃森通過一個學(xué)習(xí)模型，綜合搜索信息，對所有答案按照概率排序，將它認(rèn)為可能性最大（概率最高）的三個答案顯示到答題板上。整個過程都發(fā)生在幾秒中之間。

IBM在全球擁有12個研究院，每年會投入60至70億美元進行研發(fā)?！坝幸活愌邪l(fā)公司內(nèi)部稱為Grand challenge。”侯淼說：“一旦研發(fā)成功，將會對整個社會產(chǎn)生非常巨大的影響。”

2000年初，時任IBM總裁的彭明盛第一次對研發(fā)部門提出了“Grand challenge”的目標(biāo)，希望到2011年也就是IBM誕生100年時，能夠研發(fā)出一款革命性的產(chǎn)品，影響整個計算機行業(yè)未來的走向，甚至能夠?qū)θ祟愑蟹浅＞薮蟮膸椭?/p>

4年之后的一天，IBM研究經(jīng)理Charles Lickel在一家餐廳里和同事吃飯，突然之間，整個餐廳安靜了。他發(fā)現(xiàn)所有人的目光都集中在了大屏幕上，期待Ken Jennings擴大他在《危機邊緣》節(jié)目中的連勝記錄。

這個情景讓Charles Lickel產(chǎn)生了一個想法：讓IBM開發(fā)一款答題機器。這個想法很快得到了上層的支持。IBM語意分析與綜合部接下了這個最具挑戰(zhàn)性的項目，從2006年開始進行了一系列測試。

在最初的測試中，研究人員向沃森提了500個《危機邊緣》中出現(xiàn)過的問題，沃森只能答對15%左右的問題，而節(jié)目中最好的選手，可以用比沃森少一半的時間答對其中95%以上的問題；從2007年開始，IBM給這一項目加派了15個研究人員，希望通過3至5年的時間把沃森訓(xùn)練成一架優(yōu)秀的答題機器。

在此過程中，沃森進行了55次模似競賽，這些比賽完全按照《危機邊緣》的賽制，邀請節(jié)目中的冠軍們和沃森進行比拼。當(dāng)沃森答錯一題時，沃森會對錯誤答案進行記憶，當(dāng)下一次碰到同類型問題時，將對原有的答題邏輯進行優(yōu)化，避免再犯同樣的錯誤。這跟人類的自我改正十分相似。

在整個訓(xùn)練過程中，沃森逐漸取得了70%的勝率。到了2011年比賽前的最后幾個月，沃森幾乎可以擊敗所有的選手，它準(zhǔn)備好了。

除了強大的計算能力和海量的數(shù)據(jù)來源，研究人員為沃森設(shè)計的自我記憶、糾錯、學(xué)習(xí)的模型，成為沃森不同于其他超級計算機的關(guān)鍵。這樣的“學(xué)習(xí)模型”，也出現(xiàn)在Google無人駕駛汽車的研發(fā)中：技術(shù)人員每天帶著電腦上路，讓它記憶人類在駕駛汽車的過程中，面對不同情況時的應(yīng)對方法。

不同的學(xué)習(xí)模型可以造就不同的沃森，這也是IBM在考慮沃森的商業(yè)化方向時，需要面對的問題：沃森到底是什么、它應(yīng)該解決什么問題。

在IBM的官方網(wǎng)站上，對沃森的介紹是“集高級自然語言處理、信息檢索、知識表示、自動推理、機器學(xué)習(xí)等開放式問答技術(shù)的應(yīng)用”，但這樣一個文縐縐的解釋，很難說服那些目標(biāo)客戶。這些客戶通常只在乎自己的錢花在了哪兒、沃森能為他們做什么。

IBM資深副總裁和研究主管John Kelly在接受媒體采訪時曾表示：“我們真的認(rèn)為它可以用在任何地方。”同時他和他的同事也清楚地認(rèn)識到沃森真正的“基因”：它可以在很短的時間內(nèi)處理海量的信息，并從這些信息中找出有價值的部分，通過自然語言同人類實現(xiàn)信息的交流和交換。

這讓沃森可以成為一個“智囊”、“顧問”和“助手”。那些需要處理大量數(shù)據(jù)、知識不斷更新，同時又需要據(jù)此做出復(fù)雜判斷的領(lǐng)域，成為了最能發(fā)揮沃森作用的領(lǐng)域。

沃森在醫(yī)療行業(yè)找到了自己的第一份工作。根據(jù)IBM和醫(yī)療保險公司W(wǎng)ellpoint的協(xié)議，從2012年年初開始，沃森將幫助護士們管理復(fù)雜的病例和來自醫(yī)療服務(wù)提供商的請求；然后，Wellpoint會開發(fā)一套面向醫(yī)生的技術(shù)，使得醫(yī)生可以通過自己的手機和平板電腦，了解腫瘤患者的身體狀況。

侯淼說，選擇醫(yī)療領(lǐng)域是因為這里具有良好的檔案儲存制度，積累了大量的醫(yī)學(xué)數(shù)據(jù)、病歷檔案，并進行了科學(xué)的分類。這些大量的可搜索數(shù)據(jù)，是沃森發(fā)揮作用的重要前提。

不同地區(qū)醫(yī)療水平的巨大差異，也使得沃森擁有廣泛的應(yīng)用前景?！耙恍┢h地區(qū)的小醫(yī)院也可以通過云端訪問全國的醫(yī)療數(shù)據(jù)庫，享受到沃森帶來的服務(wù)?！?/p>

Mark Kris所在的Memorial Sloan-Kettering癌癥研究中心（MSKCC）在1年前加入了這一項目。Kris是一位經(jīng)驗豐富的臨床腫瘤醫(yī)師，同時也是《危機邊緣》的忠實粉絲。他告訴《第一財經(jīng)周刊》，從2年前他在電視機前目睹沃森表演的那天起，就對沃森產(chǎn)生了興趣。

過去半個世紀(jì)，人類在許多領(lǐng)域取得了突破性的進展，但癌癥研究和臨床治療方面一直沒有重大突破。按照Kris說法，在過去40年中，癌癥研究方面最大的突破，僅僅就是讓人類了解到了這種疾病的復(fù)雜性。

在癌癥治療領(lǐng)域，不同病人之間有十分微妙的差異，醫(yī)生們需要有更好的方法了解和區(qū)分這些差異，因為這些小差異帶來的影響，有時候可能是致命的。

無法準(zhǔn)確知道這些差異的結(jié)果，就使醫(yī)生無法針對每個人不同的病情確定最佳治療方法。“化療是常見的一種治療方法，”Kris解釋道，“但是你怎么在數(shù)十種不同的化療選項中進行挑選呢？你又如何確定劑量？怎樣的化療頻率才是最佳的呢？”

在現(xiàn)在這個階段，沃森還不能馬上成為這個救世主。它眼下的主要工作，還是通過搜索醫(yī)學(xué)文獻和歷史數(shù)據(jù)，快速為某一患者找到情況相似的其他患者。這一過程可以幫助醫(yī)生在相似案例間獲得更多的有用信息，在信息更充分的條件下做出更有說服力的判斷。在沃森之前，醫(yī)生需要自己熟記每一個病人的情況，還要在新病人出現(xiàn)時立刻從頭腦里搜索出相似對象，費時費力，準(zhǔn)確性還不高。

在進入Memorial Sloan-Kettering癌癥研究中心之后，“補課”是沃森要做的第一件事，MSKCC的員工和IBM的項目成員一起訓(xùn)練著沃森。從肺癌開始，研究人員通過分享關(guān)于肺癌的知識和經(jīng)驗，讓沃森了解到所有關(guān)于肺癌的內(nèi)容。

沃森沿用了它在參加《危機邊緣》訓(xùn)練時建立的學(xué)習(xí)模型：它的所有答案最終都會以一個概率的形式出現(xiàn)，那個概率最高的答案，就是沃森認(rèn)為的正確答案；當(dāng)這個答案被證明錯誤時，沃森會找到它與正確答案之間的區(qū)別，以后再遇到同類問題時，就會更新原有的邏輯；另外，它還可以從其他選手回答的同一類型問題中歸納出答案特點，幫助它用來回答這類問題。

在經(jīng)過6個月的培訓(xùn)以后，沃森成為了一名可靠的醫(yī)療助手。醫(yī)生們在自己的平板設(shè)備中打開沃森的應(yīng)用，錄入數(shù)據(jù)并提出問題。幾秒鐘之后，沃森就會提供幾個可能的治療方法，并且以不同的數(shù)值表示確信程度。有的治療方法有90%的確信度，有的則是80%。而選擇哪種治療方式，還需要醫(yī)生最后拿主意。

2013年秋天，Kris將和他的同事一起利用沃森幫助真正的病人進行癌癥治療。IBM在前不久聯(lián)合Wellpoint了第一款商業(yè)用“基于沃森的認(rèn)知計算系統(tǒng)”。

相對于參加《危機邊緣》時那個擁有幾十排服務(wù)器的家伙，從體型上看，這個新系統(tǒng)已經(jīng)瘦身了不少，僅為一個雙門冰箱的大小。

其中一個很重要的原因是，《危機邊緣》中的問題涉及人文、歷史、地理、政治等眾多方面，選手們碰到相似問題的概率甚至小于3%，所以需要用數(shù)量眾多的服務(wù)器儲存足夠多的知識。而在具體應(yīng)用到某一行業(yè)時，所需的知識量會小很多，而且遇到相似問題的概率也會提升很多，對服務(wù)器的數(shù)量要求也就隨之降低了。

沃森原有的Power750處理器也升級到了POWER7+，性能提升了50%。沃森可以用更短的時間處理更多的信息。原來回答問題需要3秒的話，現(xiàn)在就變成了2秒。

在IBM不斷改造和培訓(xùn)沃森、試圖提升它的自我學(xué)習(xí)能力的同時，Google也在人工智能領(lǐng)域取得了突破—它們讓計算機認(rèn)識了“貓”。

2012年6月，Google X實驗室用一個由1.6萬多個處理器、10億個內(nèi)部節(jié)點組成的“虛擬大腦”，模擬人腦中“神經(jīng)元”的概念，形成了一個“神經(jīng)網(wǎng)絡(luò)”。這個神經(jīng)網(wǎng)絡(luò)會不斷接收新數(shù)據(jù)。在一些模型的幫助下，神經(jīng)元與神經(jīng)元之間傳遞的數(shù)據(jù)發(fā)生了變化，它具備了初步的學(xué)習(xí)能力。

10天之后，這個“虛擬大腦”分析了1000萬幀從YouTube上隨機抓取的無標(biāo)簽視頻剪輯圖片，并成功學(xué)習(xí)到了“貓”的概念，并從隨后導(dǎo)入的2萬張圖片中準(zhǔn)確找出了有貓的照片。

這些試圖改變世界的工程師們的下一步，是使這些“學(xué)習(xí)模型”更聰明、更高效。

IBM正在琢磨怎樣把沃森部署到各行各業(yè)。就在這會兒，一臺沃森正在接受花旗銀行的崗前培訓(xùn)，通過讀年報、財經(jīng)新聞、招股說明書、監(jiān)視交易，以及學(xué)習(xí)更專業(yè)的金融術(shù)語，更好地給客戶推薦投資組合，或者回答諸如“接下去的3個月內(nèi)哪家公司最有可能發(fā)生合并？”這樣的問題。

在這個過程中，沃森最大的問題在于學(xué)習(xí)的速度：如何在最短的時間內(nèi)學(xué)習(xí)這個行業(yè)的知識、術(shù)語，并學(xué)會用這些知識進行“思考”。即便學(xué)習(xí)模型的架構(gòu)被總體沿用下來，也會根據(jù)不同行業(yè)做出有針對性的調(diào)整。

沃森還需要變得更聰明。很多時候，病人并不能很準(zhǔn)確地，甚至?xí)e誤地描述問題?！耙粋€病人說他頭疼，但他的問題可能在其他地方?！焙铐嫡f：“這個時候，沃森就需要能夠識別出這些問題?！边@也是將沃森運用到其他行業(yè)要面對的問題—那些“錯誤的描述”、“善意的欺騙”都需要它去識別和破解。

第5篇：人工智能醫(yī)療方向范文

目前，美、英、日、德等發(fā)達國家憑借其經(jīng)濟實力和技術(shù)優(yōu)勢，已經(jīng)在數(shù)字醫(yī)學(xué)領(lǐng)域占得先機。高端的醫(yī)療影像設(shè)備、人工智能產(chǎn)品等大多來自發(fā)達國家，其在數(shù)字醫(yī)學(xué)基礎(chǔ)研究和技術(shù)應(yīng)用方面的成果同樣引人注目。我國經(jīng)歷二十多年的醫(yī)院信息化建設(shè)，各種信息管理與臨床信息系統(tǒng)遍及全院，數(shù)字化醫(yī)院成為綜合實力較強醫(yī)院追求的建設(shè)目標(biāo)，遠程醫(yī)療快速發(fā)展，區(qū)域衛(wèi)生信息化建設(shè)成為醫(yī)藥衛(wèi)生體制改革的重點，公共衛(wèi)生信息化也取得了明顯的進展。

同時，自2001年以鐘世鎮(zhèn)院士牽頭提出構(gòu)建“中國數(shù)字人”的設(shè)想開始，數(shù)字化技術(shù)在我國的基礎(chǔ)醫(yī)學(xué)研究便逐漸鋪陳開來，而多個國內(nèi)數(shù)字醫(yī)學(xué)研究機構(gòu)如南方醫(yī)科大學(xué)、清華大學(xué)、復(fù)旦大學(xué)、浙江大學(xué)以及青島大學(xué)附屬醫(yī)院與海信集團聯(lián)合成立的山東省“數(shù)字醫(yī)學(xué)與計算機輔助手術(shù)重點實驗室”等，分別在計算機輔助診斷系統(tǒng)、數(shù)字醫(yī)學(xué)影像設(shè)備、計算機輔助手術(shù)系統(tǒng)等領(lǐng)域投入了大量的科研力量，并取得令人矚目的成績。但是，我國在數(shù)字醫(yī)學(xué)的核心技術(shù)領(lǐng)域起步較晚，與發(fā)達國家仍有差距，想推動我國數(shù)字醫(yī)學(xué)快速持續(xù)發(fā)展，必須先對數(shù)字醫(yī)學(xué)的未來發(fā)展趨勢有深入的認(rèn)識。

數(shù)字醫(yī)學(xué)的發(fā)展趨勢

目前，數(shù)字醫(yī)學(xué)基礎(chǔ)理論正逐步完善，數(shù)字醫(yī)學(xué)學(xué)科體系逐漸清晰，智能化、可視化、微電子等高新技術(shù)也將進一步與醫(yī)學(xué)檢測、診斷、治療等技術(shù)交叉滲透。數(shù)字醫(yī)學(xué)的未來發(fā)展趨勢主要體現(xiàn)在以下四個方面：

首先，未來會出現(xiàn)更加人性化的數(shù)字化醫(yī)院管理。功能單一的醫(yī)院信息系統(tǒng)的格局將被打破，PACS應(yīng)用將會向區(qū)域、遠程發(fā)展，無線移動、重癥監(jiān)護、遠程醫(yī)學(xué)、數(shù)字化手術(shù)室建設(shè)將會涌現(xiàn)，電子病歷在社區(qū)醫(yī)療以及大范圍的健康管理方面的應(yīng)用會催生更多人性化的管理系統(tǒng)。隨著信息技術(shù)的高度滲透，數(shù)字化醫(yī)院必將會更注重信息提供利用的人性化，而且從管理到醫(yī)療，從門診到臨床都正在孕育著新的突破。

其次，數(shù)字醫(yī)療治療技術(shù)將會更加智能化。將人工智能與經(jīng)典醫(yī)學(xué)理論和經(jīng)驗知識構(gòu)建集評估、診斷、決策與預(yù)測于一體的智能專家診斷系統(tǒng)將會在臨床診斷與治療中發(fā)揮重要作用，而隨著數(shù)字制造和智能制造飛速發(fā)展應(yīng)運而生的智能醫(yī)療機器人，尤其是智能微型醫(yī)用機器人將會在一定程度上輔助醫(yī)生進行治療。智能化的數(shù)字醫(yī)學(xué)治療技術(shù)將會給傳統(tǒng)醫(yī)學(xué)治療帶來重大變革。

最后，微創(chuàng)化、無創(chuàng)化的數(shù)字醫(yī)療檢測技術(shù)將會不斷涌現(xiàn)。多種生理參數(shù)的測量能夠?qū)θ梭w健康狀態(tài)或疾病進行診斷，而基于多種光學(xué)成像技術(shù)的臨床應(yīng)用將會是數(shù)字醫(yī)療檢測技術(shù)實現(xiàn)微創(chuàng)、甚至無創(chuàng)檢測的一個重要途徑。近紅外光譜技術(shù)、光學(xué)弱相干層析成像技術(shù)、多模態(tài)多光譜分子影像技術(shù)都將會實際應(yīng)用在人體多種生理參數(shù)的檢測中，而且由于光學(xué)成像技術(shù)本身對于人體沒有損傷的特點，光學(xué)成像技術(shù)的進一步發(fā)展與應(yīng)用將會推動數(shù)字醫(yī)療檢測技術(shù)微創(chuàng)化甚至無創(chuàng)化。

計算機輔助手術(shù)系統(tǒng)的發(fā)展

精準(zhǔn)化的數(shù)字醫(yī)療診斷、手術(shù)技術(shù)正成為國內(nèi)外研究熱點，這也是我國突破發(fā)達國家數(shù)字醫(yī)學(xué)技術(shù)壟斷的關(guān)鍵。其中，計算機輔助手術(shù)系統(tǒng)功能的日益強大，將會使精準(zhǔn)外科手術(shù)成為可能，推動臨床外科的跨越式發(fā)展，也必將會成為醫(yī)學(xué)教育、醫(yī)學(xué)科研和臨床醫(yī)學(xué)的新手段。與計算機輔助手術(shù)系統(tǒng)相配套的醫(yī)用顯示器的規(guī)范與普及，能夠為醫(yī)生診斷提供更精確的判斷，推動遠程醫(yī)療和社區(qū)醫(yī)療的快速發(fā)展。數(shù)字芯片的進一步發(fā)展與嵌入對醫(yī)療診斷設(shè)備性能和便攜化的提升有著不可估量的作用。

目前，海信醫(yī)療設(shè)備有限公司通過與青島大學(xué)附屬醫(yī)院董教授合作，開發(fā)出了低輻射劑量下的低質(zhì)量CT圖像消噪、增強技術(shù)，做出了一款世界水平的計算機輔助手術(shù)產(chǎn)品，該產(chǎn)品被命名為海信雙子3D醫(yī)學(xué)影像重建與計算機輔助手術(shù)系統(tǒng)（Hisense Gemini 3D Medical Imaging Reconstruction and Computer Assisted Surgery System，Higemi）。

它通過獨自開發(fā)的醫(yī)學(xué)圖像預(yù)處理和分割技術(shù)，只需在一幅圖像上設(shè)定相應(yīng)參數(shù)和少量人工輔助，算法可以自動精確地在一系列CT圖像上分割出肝臟、血管、腫瘤、膽囊等肝臟各組織。然后，通過濾波、CT層間自適應(yīng)對應(yīng)點插值、形態(tài)學(xué)、模式識別等算法處理分割結(jié)果，追蹤肝臟三期圖像上肝動脈、門靜脈、肝靜脈的血管走形，并利用三維配準(zhǔn)算法對三期肝臟數(shù)據(jù)進行立體配準(zhǔn)，精確地三維重建肝臟、腫瘤和膽囊等器官。

它可以三維觀察病變與血管、臟器的關(guān)系，精確計算臟器、病變體積和門脈、靜脈各分支供血區(qū)域，實施虛擬手術(shù)切除，確定最佳手術(shù)切除線。它在最難的肝部成像領(lǐng)域能夠重建3級以上血管，區(qū)分0.6mm的腫瘤與血管間距，精確計算肝臟、腫瘤體積，極大地滿足醫(yī)生的臨床需要。Higemi在臨床上已經(jīng)實際應(yīng)用于多位小兒巨大肝臟的手術(shù)前模擬手術(shù)的規(guī)劃設(shè)計和術(shù)中指導(dǎo)，以及活體肝臟移植的肝臟手術(shù)前精準(zhǔn)判斷。

未來，該產(chǎn)品將擴展到腦部、五官、神經(jīng)外科和口腔等多個臨床醫(yī)學(xué)領(lǐng)域，形成功能強大的全身手術(shù)輔助系統(tǒng)。本產(chǎn)品利用了以下具體科學(xué)技術(shù)開發(fā)：

1.低劑量或普通劑量CT圖像高清增強技術(shù)。海信開發(fā)的低劑量CT圖像高清增強技術(shù)是一種CT圖像后期處理技術(shù)，可以不對現(xiàn)有CT設(shè)備做結(jié)構(gòu)性更改，將低輻射量低質(zhì)量的CT圖像還原成高質(zhì)量圖像。該系統(tǒng)可以減少50%～80%有害照射劑量（從300mAs降到60mAs）的情況下，仍達到同樣質(zhì)量的成像效果。如果按照原衛(wèi)生部2012年公布的《GBZ165-2012 X射線計算機斷層攝影放射防護要求》，使用針對不同人群、不同部位CT檢查上限的輻射水平作增強型CT，得到的圖像再作此項高清處理，則可以得到非常清晰的CT圖像。利用此圖像，可以更精確地分割器官和病變組織，做出精確的器官三維重建圖形，非常有利于常規(guī)狀態(tài)下的疑難病例的診斷和手術(shù)方案規(guī)劃。該技術(shù)在世界處于領(lǐng)先水平，對提高現(xiàn)代醫(yī)學(xué)影像設(shè)備的性能和安全性有十分重要的意義。

2.醫(yī)學(xué)圖像分割技術(shù)。在大量DICOM標(biāo)準(zhǔn)的CT腹部掃描圖像上，根據(jù)灰度、紋理、血管生理特性等特征把二維圖像分割為不同的部分，找到分界線（如器官外沿、腫瘤外沿和血管外壁等）。真實精確地找到不同組織分界線，是后續(xù)工作的基礎(chǔ)。

3.建模，圖像追蹤技術(shù)。追蹤多幅圖像上肝動脈、門靜脈、肝靜脈三期的血管造影圖像的CT強度變化，建立自學(xué)習(xí)拓?fù)淠Ｐ蛯⒚糠鶊D像中代表血管的CT值變化連接起來，形成血管走向信息。

4.模式識別技術(shù)。將分割出的不同組織分類并識別。

5.三維可視化，三維圖像配準(zhǔn)技術(shù)。同期不同圖像間、不同期不同圖像間的配準(zhǔn)、建模；不同組織或功能區(qū)成像的容量渲染、著色；透明顯示、任意斷面顯示、多平面顯示。

6.定性定量分析。器官和內(nèi)部組織的參數(shù)測量，定性定量計算，如精確計算器官總體積和部分體積。

7.肝臟功能分段與手術(shù)模擬技術(shù)。1954年，Couinaud根據(jù)人體肝臟Glission系統(tǒng)的分支走向以及肝靜脈系統(tǒng)的回流將人體肝臟劃分為八段，由于人體肝臟血管走向的個體差異性，Couinaud方法并不具有普適性，尤其是針對肝內(nèi)出現(xiàn)腫瘤、血管變異等復(fù)雜情況，單純依靠Couinaud方法進行肝臟分段并沒有實際臨床指導(dǎo)意義，實施肝臟精準(zhǔn)手術(shù)迫切需要肝臟功能分段的精準(zhǔn)導(dǎo)航。

隨著數(shù)字醫(yī)學(xué)的快速發(fā)展，現(xiàn)有的計算機輔助手術(shù)系統(tǒng)可以初步實現(xiàn)肝臟功能分段，同時為后期的模擬手術(shù)進行指導(dǎo)，與醫(yī)生直接根據(jù)二維影像確定手術(shù)方案相比，肝臟功能分段及手術(shù)模擬系統(tǒng)的出現(xiàn)又將精準(zhǔn)手術(shù)的發(fā)展向前推進了一大步。

目前，大多數(shù)肝臟功能分段方法根據(jù)肝臟內(nèi)血管分支走向和血管分支支配區(qū)域進行分段，這與解剖學(xué)中關(guān)于肝臟分段的解釋是一致的。其主要步驟包括：從二維影像信息進行精準(zhǔn)血管信息提取，對重建后的三維血管系統(tǒng)進行骨架化操作，運用圖論相關(guān)方法進行血管智能化分支（鑒于肝臟內(nèi)血管系統(tǒng)較為復(fù)雜，需要借助人工輔助進行不同血管系統(tǒng)的判定），根據(jù)近似分段模型進行全肝分段并進行體積測算。其中，從現(xiàn)有的二維影像信息中進行準(zhǔn)確的血管信息提取是肝臟功能分段的基礎(chǔ)和前提；如何對骨架化血管進行智能化分支是極其關(guān)鍵的步驟，直接影響到全肝分段的結(jié)果；構(gòu)造與肝臟實際功能一致的近似分段模型，能盡可能地減少手術(shù)出血率，降低術(shù)后并發(fā)癥的發(fā)生。借助于肝臟功能分段以及精準(zhǔn)的肝段體積測算數(shù)據(jù)，醫(yī)生能方便、直觀地進行術(shù)前規(guī)劃。

目前，由于使用不同的血管骨架化方法和近似分段模型造成結(jié)果不同，如何統(tǒng)一業(yè)界功能分段標(biāo)準(zhǔn)，才能使肝臟分段更好地滿足手術(shù)臨床需要值得研究；由于肝臟血管系統(tǒng)的個體差異性以及腫瘤組織等的存在造成的肝臟畸形，目前必須借助少量人工輔助才能實現(xiàn)功能分段，如何實現(xiàn)完全自動化和智能化將成為未來肝臟功能分段的重要研究方向。

8.腫瘤定位及消融引導(dǎo)技術(shù)。近年來，隨著醫(yī)學(xué)、計算機學(xué)和生物學(xué)等的發(fā)展，腫瘤的治療技術(shù)正在發(fā)生重大的變革，如何采用微創(chuàng)或無創(chuàng)方法靶點殺死和滅活腫瘤，同時又能最大限度地保護周圍正常組織，已成為腫瘤治療的熱點。北美放射學(xué)會（RSNA）于1997年首次提出腫瘤消融的概念，即在超聲、CT、MRI等現(xiàn)代影像設(shè)備等的指導(dǎo)下利用物理或者化學(xué)（熱或冷效應(yīng)）直接破壞異?；虿∽兘M織的技術(shù)。本產(chǎn)品具備的圖像配準(zhǔn)是圖像融合的先決條件，必須先進行配準(zhǔn)交換，才能實現(xiàn)準(zhǔn)確地融合。之后進行的亞毫米級精度三維立體重建，能夠清晰顯示腫瘤大小、位置、數(shù)量及其與周圍重要結(jié)構(gòu)、臟器的毗鄰關(guān)系，還能對腫瘤消融治療的療效進行評價。未來將US、CT、MRI圖像融合的新型影像融合技術(shù)，根據(jù)各自影像的特點結(jié)合起來進行優(yōu)勢互補，可以更準(zhǔn)確地發(fā)現(xiàn)腫瘤、制定治療方案及引導(dǎo)穿刺和監(jiān)控消融。

9.符合Dicom標(biāo)準(zhǔn)的2D/3D圖形人機交互引擎技術(shù)。以上各種算法和相關(guān)功能的實現(xiàn)，有賴于強大的符合Dicom標(biāo)準(zhǔn)的2D/3D圖形人機交互引擎技術(shù)，該技術(shù)是計算機輔助手術(shù)技術(shù)的核心難點之一，也是國內(nèi)目前技術(shù)水平較弱的領(lǐng)域。海信集團開發(fā)的人機交互引擎將主流的OpenGL、DirectX、GPU加速等顯示方式以統(tǒng)一接口形式表現(xiàn)，利于程序員開發(fā)調(diào)用。它涉及到多種類庫耦合、多線程、GDI （Graphics Device Interface） 等多種底層操作技術(shù)，Dicom文件編解碼等引擎底層分別編寫，形成一組功能齊全的2D/3D圖形人機交互引擎。海信Higemi計算機輔助手術(shù)系統(tǒng)即是基于此人機交互引擎實現(xiàn)了質(zhì)的飛躍。

醫(yī)用顯示器的規(guī)范和普及

醫(yī)療顯示作為醫(yī)學(xué)影像的顯示終端，為了達到對醫(yī)學(xué)圖像的精確顯示需求，要求在顯示終端首先符合DICOM Part 14的標(biāo)準(zhǔn)，使顯示符合灰度標(biāo)準(zhǔn)顯示函數(shù)（GSDF），從而保證在閱讀醫(yī)學(xué)灰階圖像時能夠呈現(xiàn)出最精確的效果。而如果使用的普通顯示器是不符合醫(yī)學(xué)影像顯示標(biāo)準(zhǔn)的，則容易造成誤診。

在精準(zhǔn)手術(shù)臨床輔助系統(tǒng)中，需要利用3D技術(shù)來展示更加真實生動的三維手術(shù)場景或CT/MRI人體器官圖像。眼鏡式3D顯示器由于需要醫(yī)生佩戴專用眼鏡，會影響到醫(yī)生手術(shù)操作，所以在未來會選用裸眼3D顯示器。目前較成熟的多視點裸眼3D技術(shù)是光柵式，一種是狹縫光柵，一種是柱鏡光柵。

首先，狹縫光柵方式裸眼3D顯示器亮度較低，主要用于個人用移動設(shè)備即小尺寸顯示中，而精準(zhǔn)手術(shù)系臨床指導(dǎo)系統(tǒng)需要大尺寸的裸眼3D顯示器。這種大尺寸的裸眼3D顯示器一般采用柱鏡光柵，這種方式的顯示器同樣也存在一些目前無法突破的問題：1.由于光柵式裸眼3D顯示具有分光的作用，貼裝的光柵導(dǎo)致2D和3D信號的清晰度降低，難以滿足手術(shù)臨床指導(dǎo)顯示器的需求。2.存在視區(qū)角度小、視區(qū)突變問題，在突變區(qū)域會看到重影和不正常的圖像，同時立體景深和視區(qū)突變也是一個平衡關(guān)系，無法同時達到最佳狀態(tài)。目前有研究針對此問題開發(fā)了視點跟蹤技術(shù)，實時檢測觀看者在電視前的位置，將處在突變的區(qū)域調(diào)整為良好的視覺區(qū)域。但此方法更適合于單人觀看的設(shè)備，當(dāng)手術(shù)中多名醫(yī)生觀看的時候，很難調(diào)整并保證觀看者都處于正常視區(qū)內(nèi)。3.存在串?dāng)_問題、立體景深小于眼鏡式3D顯示器。

海信集團開發(fā)新型高性能的裸眼三維顯示設(shè)備和人機交互設(shè)備可以解決這些問題。該設(shè)備通過UHD液晶屏的采用和UHD電路、光柵的開發(fā)，將3D分辨率提高到1280*720以上的高清標(biāo)準(zhǔn)，滿足手術(shù)臨床指導(dǎo)顯示器的需求；通過獨特渲染算法技術(shù)和柱鏡光柵的研究和配套開發(fā)，解決視區(qū)角度小、視區(qū)突變的問題，擴大視區(qū)，達到不用視點跟蹤能滿足多人同時觀看的要求；通過語音識別技術(shù)和手勢識別技術(shù)，開發(fā)新型人機交互控制設(shè)備，實現(xiàn)便捷的操作，解放醫(yī)生雙手，防止手術(shù)污染。

數(shù)字芯片在數(shù)字醫(yī)療領(lǐng)域中的發(fā)展

針對數(shù)字醫(yī)學(xué)影像設(shè)備的快速發(fā)展，應(yīng)用高性能芯片進行設(shè)備集成化設(shè)計成為未來數(shù)字醫(yī)療設(shè)備發(fā)展的主流方向。為了滿足這個需求，芯片應(yīng)滿足實時性和可靠性等要求。

首先是實時性，醫(yī)療設(shè)備需要快速的啟動、無延時的圖像顯示、無縫的功能/參數(shù)轉(zhuǎn)換，例如手術(shù)中的數(shù)字X射線影像、救護車與醫(yī)院的實時影像交流。其次是可靠性，需要器件能夠在各種環(huán)境下的長時間無故障運行，能夠迅速從軟件錯誤引起的故障中恢復(fù)，能夠電磁環(huán)境抗干擾。

在滿足性能需求的同時，還有一些因素需要考慮：1.體積，直接影響產(chǎn)品的便攜性，便攜性能使設(shè)備得到更廣泛的應(yīng)用，將醫(yī)療保健從城市普及到鄉(xiāng)村及邊遠地區(qū)、災(zāi)患區(qū)、醫(yī)院各個病房甚至救護車上；2.功耗，低功耗能大大延長設(shè)備續(xù)航時間，并有助于減小電池與設(shè)備尺寸；3.成本，低成本意味著更多人能夠享受最新的醫(yī)療技術(shù)，比如發(fā)展中國家與邊遠地區(qū)的居民。

針對上述目標(biāo)，異質(zhì)SoC（片上系統(tǒng)）可以有效利用各種處理單元的優(yōu)勢，實現(xiàn)性能、功耗、體積、可配置性、可擴展性、開發(fā)效率（硬件&軟件）、一次性工程費用（NRE budget）等因素的優(yōu)化配置，成為當(dāng)前的發(fā)展趨勢。一個很明顯的例子是，現(xiàn)在大多數(shù)高端嵌入式應(yīng)用處理器都基于ARM內(nèi)核（多核），并整合了圖形加速器，視頻編解碼加速器等資源，實現(xiàn)了全可編程SoC，通過可編程硬件、軟件及I/O，大大提高了系統(tǒng)的差異化與靈活性。

結(jié)語

第6篇：人工智能醫(yī)療方向范文

關(guān)鍵詞：工業(yè)電氣自動化；自動化技術(shù)；發(fā)展

工業(yè)電氣自動化在發(fā)展的時候是離不開理論支持的，這也是工業(yè)電氣自動化發(fā)展的基礎(chǔ)。工業(yè)電氣自動化技術(shù)在制造業(yè)和民用產(chǎn)品中發(fā)展是非常好的，工業(yè)電氣自動化的發(fā)展是離不開計算機技術(shù)，計算機技術(shù)推動著工業(yè)電氣自動化技術(shù)的發(fā)展。工業(yè)電氣自動化實現(xiàn)了人工智能，使得工業(yè)生產(chǎn)中得到了巨大的進步。工業(yè)電氣自動化設(shè)備是一種智能設(shè)備，在使用的時候?qū)崿F(xiàn)了與人類智慧相類似的反應(yīng)。工業(yè)電氣自動化在研究對象方面是非常廣的，其中包括系統(tǒng)運行、自動控制、電力電子技術(shù)、信息處理、試驗分析以及計算機技術(shù)的應(yīng)用。電氣自動化技術(shù)在工廠中的應(yīng)用是非常廣的，電氣自動化技術(shù)逐漸成為了工廠發(fā)展的主要技術(shù)支持，在電子工廠中，電氣工程自動化體現(xiàn)在很多的方面，在編程和設(shè)計方面都要非常注意的。工業(yè)電氣自動化主要要研究的就是與電氣工程相關(guān)的自動化控制，在研究的時候，一定要不斷提高技術(shù)水平，這樣才能使電氣自動化得到更好的發(fā)展。

1 工業(yè)電氣自動化的定義

工業(yè)電氣自動化通俗的說法就是為了實現(xiàn)機器設(shè)備和裝置在無人操作的情況下，可以按照預(yù)先的設(shè)置程序或者是指令進行自動操作和控制的過程?，F(xiàn)在自動化技術(shù)已經(jīng)在很多的行業(yè)得到了應(yīng)用，在工業(yè)、農(nóng)業(yè)、交通運輸業(yè)、醫(yī)療方面都有應(yīng)用。自動化技術(shù)的應(yīng)用可以將人力資源的工作強度降低，同時可以將部分簡單的腦力勞動實現(xiàn)自動化操作，同時在面臨惡劣環(huán)境和危險工作環(huán)境的時候，可以不必使用人力資源來進行工作，這樣可以更好的保護工作人員的生命安全。電氣智能化在勞動生產(chǎn)率方面得到了提高，同時也改變了人類認(rèn)識世界和改造世界的能力。自動化現(xiàn)在已經(jīng)成為了工業(yè)和農(nóng)業(yè)發(fā)展的重要條件，同時也是工業(yè)和農(nóng)業(yè)發(fā)展的重要標(biāo)志。

2 工業(yè)電氣自動化的發(fā)展歷程

工業(yè)自動化出現(xiàn)在機械制造業(yè)中，隨著科學(xué)技術(shù)的不斷進步，計算機技術(shù)在自動化技術(shù)中得到了應(yīng)用，這樣就使得自動化技術(shù)同計算機技術(shù)緊密聯(lián)系在一起，自動化技術(shù)也同信息化技術(shù)結(jié)合在一起，使自動化技術(shù)從生產(chǎn)過程中的最優(yōu)控制逐漸向綜合自動化控制階段。自動化技術(shù)在二戰(zhàn)之后對戰(zhàn)后發(fā)展格局的建立非常有幫助。自動化技術(shù)在不斷發(fā)展中，設(shè)計出了各種精密的自動調(diào)節(jié)裝置，這樣就使得自動化技術(shù)在系統(tǒng)和控制方面得到了新的發(fā)展。電子計算機技術(shù)的發(fā)展，推動著自動化技術(shù)向著更好的方向發(fā)展。電子計算機使得自動化控制系統(tǒng)在應(yīng)用程序方面奠定了基礎(chǔ)，同時將邏輯控制技術(shù)直接運用到了產(chǎn)品的生產(chǎn)過程中。自動化技術(shù)在發(fā)展的過程中，機器的操作更加的簡單，同時實現(xiàn)了無人操作模式，使得生產(chǎn)過程更加的好。工業(yè)電器生產(chǎn)過程中，自動化程序在設(shè)計和使用的時候都是需要大量的研究的。

3 工業(yè)電氣自動化的應(yīng)用

工業(yè)電氣自動化在含義方面包含著很多的內(nèi)容，在形式方面，工業(yè)制造業(yè)的電氣化主要表現(xiàn)在三個方面，實現(xiàn)自動化以后可以代替人的體力勞動，還能代替人的腦力勞動，在一定程度上能夠協(xié)助人員更好的進行工作。自動化系統(tǒng)在進行制造的時候，實現(xiàn)了人和整個系統(tǒng)的協(xié)調(diào)性，同時在管理和控制方面也得到了更好的發(fā)展。工業(yè)電氣自動化在功能方面實現(xiàn)了代替人員體力勞動的作用，但這僅僅是自動化功能目標(biāo)體系中的一小部分。自動化的功能表現(xiàn)在很多的方面，現(xiàn)在已經(jīng)逐漸形成了一個有機的體系。自動化技術(shù)在使用的時候，不僅僅要在生產(chǎn)過程中進行應(yīng)用，而是在整個產(chǎn)品生產(chǎn)周期中都是要應(yīng)用的。工業(yè)電氣自動化是一個動態(tài)的概念，有著十分廣泛和深刻的內(nèi)涵。在制造自動化應(yīng)用的過程中，工業(yè)電氣自動化得到了更好的發(fā)展，工業(yè)電氣自動化是一門涉及非常廣，應(yīng)用范圍廣泛的綜合性科學(xué)技術(shù)。工業(yè)電氣自動化作為一個系統(tǒng)的工程，主要包含五個方面，第一個方面是程序單元，這個單元主要要決定做什么和如何做。第二個方面是作用單元，在這個單元中，主要是施加能量和進行定位。第三個方面是傳感單元，這個單元主要是對性能和狀態(tài)進行檢測。第四個方面是制定單元，這個單元主要是對傳感單元發(fā)過來的信息進行比較，同時對信號的做出相應(yīng)的指令。最后一個方面是控制單元，主要是制定和調(diào)節(jié)單元結(jié)構(gòu)。

工業(yè)電氣自動化的研究內(nèi)容主要有自動控制和信息處理兩個方面，包括理論、方法、硬件和軟件等，從應(yīng)用觀點來看，研究內(nèi)容有電器產(chǎn)品過程的自動化、機械制造自動化、管理自動化、實驗室自動化和家庭自動化等。工業(yè)電氣過程自動化石油煉制和化工等工業(yè)中流體或粉體的化學(xué)處理自動化。20世紀(jì)60年代以后，由于電子計算機的應(yīng)用，出現(xiàn)了數(shù)控機床、加工中心、機器人、計算機輔助設(shè)計、計算機輔助制造、自動化倉庫等。研制出適應(yīng)多品種、小批量生產(chǎn)型式的柔性制造系統(tǒng)（FMS）。以柔性制造系統(tǒng)為基礎(chǔ)的自動化車間，加上信息管理、生產(chǎn)管理自動化，出現(xiàn)了采用計算機集成制造系統(tǒng)（CIMS）的工廠自動化。

4 工業(yè)電氣自動化的發(fā)展趨勢

工業(yè)自動化的發(fā)展不僅實現(xiàn)產(chǎn)品方面的改變，同時也要改變現(xiàn)代工業(yè)的發(fā)展情況，工業(yè)自動化使工業(yè)產(chǎn)品更加的人性化，同時在資源利用方面也做到了更好，工業(yè)自動化對降低生產(chǎn)成本是非常有幫助的。工業(yè)自動化不僅僅可以給經(jīng)濟發(fā)展帶來更好的社會效益，同時也能給生產(chǎn)企業(yè)帶來更多的經(jīng)濟效益。企業(yè)在發(fā)展的時候，要不斷發(fā)展工業(yè)自動化技術(shù)，這樣不僅可以提高工業(yè)技術(shù)的水平，同時還能縮小我國在工業(yè)技術(shù)方面同發(fā)達國家之間的距離。在提高工業(yè)自動化水平的時候，可以通過自主研發(fā)的方式來進行，同時要重視工業(yè)自動化對經(jīng)濟發(fā)展的作用。工業(yè)自動化在發(fā)展的過程中，要不斷應(yīng)用新的技術(shù)，計算機網(wǎng)絡(luò)技術(shù)在工業(yè)電氣自動化中的應(yīng)用效果就是非常明顯的，計算機技術(shù)可以使各個運行的部分更加的緊密，同時實現(xiàn)了操作的一體化，這樣使得工業(yè)自動化在操作方面更加的便捷，同時也能減少人員的工作強度。工業(yè)電氣自動化在在發(fā)展的過程中，更加的開發(fā)，而且在信息化方面更加好。開放化就是要將系統(tǒng)與外界建立聯(lián)系，實現(xiàn)電氣自動化的各方的網(wǎng)絡(luò)連接，提高信息處理能力；分布式的結(jié)構(gòu)可以保證在網(wǎng)絡(luò)中建立起獨立的網(wǎng)絡(luò)，以實現(xiàn)把安全危險分散，促進電氣自動化系統(tǒng)的正常運行；而信息化就是實現(xiàn)設(shè)備與網(wǎng)絡(luò)技術(shù)相結(jié)合，實現(xiàn)網(wǎng)絡(luò)自動化和管控一體化。

5 結(jié)束語

我國加入世界貿(mào)易組織以后，企業(yè)面臨的市場競爭更加的激烈，為了提高企業(yè)的競爭能力，企業(yè)要從產(chǎn)品銷售價格上取得優(yōu)勢，這樣就要降低產(chǎn)品的生產(chǎn)成本。企業(yè)在進行生產(chǎn)的時候，要吸取高科技先進的經(jīng)驗和技術(shù)，為實現(xiàn)自主研發(fā)提供條件。同時，將科學(xué)發(fā)展觀作為前進的基礎(chǔ)和指導(dǎo)思想，根據(jù)每個地區(qū)部門的實際情況，以人為本，及時發(fā)現(xiàn)問題，總結(jié)先進的經(jīng)驗，改變傳統(tǒng)的發(fā)展觀念，尋找一條合適的發(fā)展道路。工業(yè)電氣自動化的發(fā)展目標(biāo)是人工智能化，這在人類制作機器表達出來的人工智能，體現(xiàn)了自動化的特征優(yōu)勢。因此智能化技術(shù)在電氣工程自動化控制中可以發(fā)揮最大的效用，使人類享受高科技的幸福。

參考文獻

[1]范然，楊健.電氣系統(tǒng)中自動化發(fā)展方向的探究[J].中國新技術(shù)新產(chǎn)品，2012（02）.

第7篇：人工智能醫(yī)療方向范文

關(guān)鍵詞：數(shù)據(jù)挖掘；循證醫(yī)學(xué)；區(qū)域衛(wèi)生信息平臺；分析平臺

1 引言

隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)挖掘和模式識別已經(jīng)逐漸成為新的醫(yī)學(xué)科學(xué)研究范式。而臨床大數(shù)據(jù)集具有數(shù)據(jù)格式多樣、復(fù)雜且難于統(tǒng)一，使得很大一部分臨床數(shù)據(jù)得不到有效的利用。因此，如何根據(jù)循證醫(yī)學(xué)特點，合理利用數(shù)據(jù)挖掘技術(shù)，獲取有價值的治療證據(jù)是循證醫(yī)學(xué)的關(guān)鍵所在。

寧波市區(qū)域衛(wèi)生信息平臺自2013年建設(shè)開始，目前已接入市屬8家醫(yī)療機構(gòu)和鄞州區(qū)、海曙區(qū)、江東區(qū)、江北區(qū)、鎮(zhèn)海區(qū)、奉化市、余姚市、慈溪市、寧?？h、奉化縣等區(qū)市縣級平臺以及市級公共衛(wèi)生專業(yè)機構(gòu)，實現(xiàn)了醫(yī)療服務(wù)信息和公共衛(wèi)生服務(wù)信息的采集與交換。

本文從循證醫(yī)學(xué)視角出發(fā)，構(gòu)建電子健康檔案和電子病歷信息資源整合與挖掘的宏觀模型和數(shù)據(jù)分析系統(tǒng)，對數(shù)據(jù)采集、數(shù)據(jù)挖掘等幾環(huán)節(jié)進行設(shè)計，把紛繁復(fù)雜的醫(yī)療數(shù)據(jù)轉(zhuǎn)變成有價值的信息，初步實現(xiàn)了對醫(yī)學(xué)數(shù)據(jù)的交融擴展及挖掘分析的目的，為醫(yī)學(xué)科學(xué)研究、臨床診療、衛(wèi)生決策、公眾服務(wù)制定提供依據(jù)，其中包括：①幫助尋找最佳藥物組合及標(biāo)準(zhǔn)化治療方法，提高診療效果；②預(yù)測慢性疾病風(fēng)險，查明罹患疾病幾率；③協(xié)助醫(yī)院評估、監(jiān)測和提高患者治療的安全性；④優(yōu)化醫(yī)院資源利用等等。

2 系統(tǒng)的架構(gòu)及功能

系統(tǒng)采用B/S結(jié)構(gòu)、面向?qū)ο蟮脑O(shè)計，以C#作為開發(fā)工具結(jié)合MSSQLServer數(shù)據(jù)庫技術(shù)開發(fā)而成。系統(tǒng)由數(shù)據(jù)采集、數(shù)據(jù)管理、數(shù)據(jù)應(yīng)用、平臺訪問、平臺管理五大類模塊組成[1]。

平臺功能可分為智能報表分析、動態(tài)表單管理、動態(tài)數(shù)據(jù)庫管理、動態(tài)數(shù)據(jù)庫管理以及動態(tài)數(shù)據(jù)接口管理。系統(tǒng)采用高性能的緩存機制，確保網(wǎng)站訪問速度；采用強大的安全機制，防止各種注入式攻擊等漏洞；系統(tǒng)充分考慮了底層大數(shù)據(jù)量并發(fā)的性能問題。

3 系統(tǒng)的應(yīng)用

3.1統(tǒng)計分析 統(tǒng)計數(shù)據(jù)分為傳染病數(shù)據(jù)、高血壓數(shù)據(jù)及門急診數(shù)據(jù)三大類別，各類數(shù)據(jù)可根據(jù)時間、地區(qū)、患者年齡、患者淶源、性別、職業(yè)、疾病等進行分項統(tǒng)計。數(shù)據(jù)展示形式可分為曲線圖、柱狀圖、餅圖、漏斗圖等。

3.1.1傳染病統(tǒng)計 系統(tǒng)可將傳染病報告例數(shù)按年份、月份、地區(qū)、年齡、性別、職業(yè)、疾病病種進行分項統(tǒng)計；圖1、圖2中分別顯示了2011年～2014年傳染病報告例數(shù)的逐月分析和按病種分析。

3.1.2 高血壓統(tǒng)計 根據(jù)系統(tǒng)對已進行登記管理的高血壓人群相應(yīng)地區(qū)、年齡、性別的統(tǒng)計分析，我們可以對高血壓病的易感人群開展重點防控。見圖3。

3.1.3門急診分析 門急診統(tǒng)計可以對寧波市屬各醫(yī)療機構(gòu)及全市總門急診量進行逐月統(tǒng)計。見圖4。

3.2 數(shù)據(jù)預(yù)測

3.2.1 算法介紹 數(shù)據(jù)預(yù)測采用了移動平均算法，移動平均法是用一組最近的實際數(shù)據(jù)值來預(yù)測未來一期或幾期內(nèi)數(shù)據(jù)的一種常用方法。移動平均法適用于即期預(yù)測、能有效地消除預(yù)測中的隨機波動。

移動平均法是一種簡滑預(yù)測技術(shù)，它的基本思想是：根據(jù)時間序列資料、逐項推移，依次計算包含一定項數(shù)的序時平均值，以反映長期趨勢的方法。因此，當(dāng)時間序列的數(shù)值由于受周期變動和隨機波動的影響，起伏較大，不易顯示出事件的發(fā)展趨勢時，使用移動平均法可以消除這些因素的影響，顯示出事件的發(fā)展方向與趨勢（即趨勢線），然后依趨勢線分析預(yù)測序列的長期趨勢[2-3]。

移動平均法可以分為：簡單移動平均和加權(quán)移動平均，系統(tǒng)采用的是簡單移動平均算法。簡單移動平均的各元素的權(quán)重都相等。簡單的移動平均的計算公式如下：

Ft=（At-1+At-2+At-3+…+At-n）/n

在此公式中，oFt表示對下一期的預(yù)測值；on表示移動平均的時期個數(shù)；oAt-1表示前期實際值；oAt-2，At-3和At-n分別表示前兩期、前三期直至前n期的實際值。

3.2.2 預(yù)測效果

3.2.2.1傳染病預(yù)測 根據(jù)2011年1月～2014年12月這一段時間的傳染病數(shù)據(jù)，運用移動平均算法對數(shù)據(jù)進行處理，預(yù)測2015年度寧波市傳染病發(fā)病數(shù)量預(yù)測，見圖5。

3.2.2.2 門急診預(yù)測 在寧波市某醫(yī)院2014年門急診量數(shù)據(jù)的基礎(chǔ)上，運用移動平均算法對2015年該院的門急診量進行預(yù)測，圖6為2014年該醫(yī)院的門急診量統(tǒng)計，預(yù)測結(jié)果見圖7。

4 討論

該數(shù)據(jù)挖掘系統(tǒng)有效地利用了區(qū)域衛(wèi)生信息平臺中的海量數(shù)據(jù)，采用海量檢索、人工智能和統(tǒng)計學(xué)等方法對寧波地區(qū)傳染病、慢性病中涉及的循證醫(yī)學(xué)統(tǒng)計指標(biāo)進行分析，對醫(yī)院門急診量進行預(yù)測，有助于寧波地區(qū)醫(yī)療管理用戶更加合理、有效地配置衛(wèi)生資源及配套設(shè)施，為各項醫(yī)療計劃的制定，及決策的實施提供可靠的理論依據(jù)。隨著科技的進步，數(shù)據(jù)挖掘技術(shù)在疾病診療、藥物應(yīng)用，及醫(yī)療決策支持中的挖掘應(yīng)用范圍會越來越廣，數(shù)據(jù)挖掘分析平臺將衍生出更多面向具體問題的分析子平臺，從而能夠更好的為疾病診療帶來保障。

參考文獻：

[1] 孫向東，黃曉琴，朱春倫，等. 基于循證醫(yī)學(xué)的海量醫(yī)學(xué)數(shù)據(jù)挖掘分析方法研究[J]. 醫(yī)學(xué)信息學(xué)雜志，2015，（3）：11-16.

第8篇：人工智能醫(yī)療方向范文

選來選去，張銳最后決定從醫(yī)療健康入手。這是冷門方向，但他認(rèn)為自己創(chuàng)辦的移動平臺應(yīng)用春雨掌上醫(yī)生的生存空間是中國供需不平衡的醫(yī)療市場，伴隨著人口老齡化的加速，這一市場空間會進一步放大。

“想象一下，一個人感到頭疼或者腰疼的時候，會選擇去醫(yī)院還是其他辦法？”張銳對《環(huán)球企業(yè)家》說：“人們出現(xiàn)輕微的病痛時很少會去醫(yī)院”。他解釋說，按照醫(yī)學(xué)常理，人們的病痛分1至10，大多數(shù)人在1至7級病痛時，很少去醫(yī)院就診，只有在7至10級才會看醫(yī)生。而春雨掌上醫(yī)生所要解決的問題便是人們1至7級的病痛—這大都是人們相對瑣碎的小的病患需求。

在互聯(lián)網(wǎng)中，已有一些醫(yī)療主題的網(wǎng)站，很多人也會在百度知道以及一些論壇中求助醫(yī)療信息。不過，在張銳看來，網(wǎng)絡(luò)中關(guān)于醫(yī)療的數(shù)據(jù)，一方面它們是非機構(gòu)化的，要想從紛繁復(fù)雜的網(wǎng)絡(luò)世界找到針對性的信息與指引十分困難；另一方面是非專業(yè)性的，甚至可能只是某些網(wǎng)友一腔熱忱的經(jīng)驗認(rèn)識。

解決“看病難”，也是“春雨”的目標(biāo)之一。張銳介紹說，因為自己祖父與父親都是醫(yī)生的緣故，他對醫(yī)患供需不平衡的矛盾有著更深的認(rèn)識：醫(yī)生的確很忙—醫(yī)生一上午要看30個病人，每天都有人在醫(yī)院排隊。一個職業(yè)醫(yī)生，一周被切割為14個半天，其中有2個半天要看門診，3個半天要巡視病房，這些時間段的確很忙；但其他時間可能是做科研和出席各種研討會，這時候醫(yī)生并非外界想象得那樣忙得不可開交。這些醫(yī)生零碎的空閑時間，可以通過一個方便的平臺解決病人不緊急的問題。

移動診療

有了市場供需矛盾的認(rèn)識之后，張銳與網(wǎng)易一同出來的合伙人開始琢磨起這款最終命名為“春雨掌上醫(yī)生”的產(chǎn)品。這款產(chǎn)品分為用戶健康自查與向醫(yī)生問診兩個部分。

在用戶健康自查模塊是以三維立體的機器人形象頁面，用戶可以根據(jù)自己的病痛部位點擊機器人相應(yīng)的部位，點擊之后，后臺程序會帶你進入相應(yīng)的癥狀欄目，選定相應(yīng)癥狀之后，便會進入下一個欄目—具體病癥中去了解其概述、癥狀、檢查、分科以及治療方式等欄目，當(dāng)然，更為重要的是，后臺程序會識別用戶的地理位置信息，提供附近就診的醫(yī)院或藥店，甚至還有附近相應(yīng)科室的醫(yī)生信息。

張銳分析說，其實用戶健康自查這個模塊，相對比較簡單，這只是將互聯(lián)網(wǎng)上非結(jié)構(gòu)性、非專業(yè)的病患資料進行結(jié)構(gòu)化的專業(yè)整理。通過有經(jīng)驗的醫(yī)生資源將人們所能遇到的病例進行有針對性的篩選，春雨掌上醫(yī)生更多的只是扮演著數(shù)據(jù)梳理的角色。

真正復(fù)雜，同時也更有效果的，還是“春雨”為用戶提供的“咨詢醫(yī)生”模塊。這個模塊解決的問題是，如何通過移動互聯(lián)網(wǎng)技術(shù)，將醫(yī)生自有的閑置時間利用起來，面向全國各地的患者。

“咨詢醫(yī)生”模塊的基礎(chǔ)是，“春雨”必須拉來足夠多的好醫(yī)生，并且鼓勵他們利用閑暇時間回答病人的咨詢問題。張銳告訴我們，他的團隊花了4個月的時間，在全國各地拉來了4000多位醫(yī)生入駐“春雨”，讓這4000名醫(yī)生成為最初的“種子醫(yī)生”。

“春雨”以補貼的形式，用最直接的經(jīng)濟利益，驅(qū)動和鼓勵這些“種子醫(yī)生”回答患者問題，一個問題給醫(yī)生人民幣6塊錢。獲得這批種子醫(yī)生之后，張銳也進一步采取了醫(yī)生相互推薦的制度，通過這批“種子醫(yī)生”吸引來更多的醫(yī)生朋友過來。

根據(jù)介紹，由于用戶數(shù)龐大，用戶每天都有非常多的問題，目前“春雨”平臺只開放了1500個問題，平均每天有1300多個可以得到比較滿意的答復(fù)。不過，隨著用戶數(shù)繼續(xù)擴大，張銳也面臨著新的問題：一方面醫(yī)生數(shù)量依舊有限，而另一方面，如果繼續(xù)補貼，“春雨”的成本還將增加，并且這種慣性會把“春雨”嬗變成“網(wǎng)上醫(yī)院”。無論是出于成本，抑或是出于政策風(fēng)險，這種模式始終難以為繼。

為此，張銳給“春雨”提出了新的規(guī)劃與定位：讓醫(yī)患雙方在“春雨”的平臺上，自行定價問診—或是患者提出一個問題，并開出相應(yīng)的價格，由有時間的醫(yī)生們選則，或是由醫(yī)生開出報價，患者向他提出問診。

按照張銳的設(shè)想，“春雨”的未來，更像是一個健康服務(wù)的“淘寶平臺”，或健康問診的拍賣市場。這一平臺最基礎(chǔ)的條件便是移動互聯(lián)的發(fā)展，通過智能手機和互聯(lián)網(wǎng)，醫(yī)生的閑暇時間有了充分的利用，而用戶亦可以足不出戶，突破地理位置的限制看病。張銳告訴我們，在“春雨”的平臺上，有一名協(xié)和的醫(yī)生，他每天都是在下午6點至8點之間回答病人問題，“因為這時候是他在下班回家的路上”。這就是典型的移動互聯(lián)應(yīng)用場景。

病狀自查與咨詢醫(yī)生兩個模塊之下，是疾病庫、健康播報與個人中心。疾病庫的作用不言而喻，它旨在為關(guān)注健康的用戶提供一個疾病詞典，而健康播報則是提高用戶活躍度的一個重要產(chǎn)品—即便用戶在健康的狀態(tài)下，也可以根據(jù)自己的設(shè)定，訂閱一些健康養(yǎng)生方面的新聞和資訊。張銳介紹說，個人中心是一個增加用戶黏性的設(shè)置，也是“春雨”未來最重要的一個基礎(chǔ)。通俗的說，它是病人的電子病歷，將為注冊用戶提供包括疾病、醫(yī)生、醫(yī)院、用藥等信息在內(nèi)的個人健康檔案。

創(chuàng)業(yè)前，張銳曾問過做醫(yī)生的父親一個問題，“你們醫(yī)院有多少醫(yī)生？最多有多少病人？”，父親答到：“180多個醫(yī)生，1000多病人。”

張銳想了想，自豪地告訴父親，他可以做一個有1萬醫(yī)生，容納10萬個病患者的醫(yī)院。目前，他已經(jīng)完成了對父親的許諾。但“春雨”這個超級醫(yī)院顯然還能擴張到更多的手機、平板電腦之上。

周鴻祎

職位：奇虎董事長

主要產(chǎn)品：360安全衛(wèi)士

點評：已有近4億用戶選擇360安全衛(wèi)士來防殺木馬、優(yōu)化電腦性能。360安全衛(wèi)士已成為廣受歡迎的安全軟件。周對消費者需求的洞察和把握更令人稱道。

岳國峰

職位：百度無線事業(yè)部總經(jīng)理

主要產(chǎn)品：掌上百度

點評：這是一款手機客戶端，內(nèi)置了無線搜索，且移植了百度貼吧、百度知道等百度產(chǎn)品。雖然不是瀏覽器，但貼吧、知道等模塊是通過百度數(shù)據(jù)接口直接調(diào)用數(shù)據(jù)，速度遠遠快于其他基于WAP的瀏覽器，且產(chǎn)生的流量很低。另外，掌上百度還提供論壇入口、新聞資訊、天氣、網(wǎng)絡(luò)小說、網(wǎng)址導(dǎo)航等實用信息。掌上百度很可能將陸續(xù)移植百度旗下其他基于網(wǎng)頁的產(chǎn)品，成為百度在無線領(lǐng)域的產(chǎn)品“集中營”。

丁磊

職位：網(wǎng)易CEO

主要產(chǎn)品：有道詞典

點評：2007年9月網(wǎng)易旗下搜索引擎有道第一版有道詞典桌面版，至今，在有道詞典全平臺的1.6億用戶中，手機端占6000萬，PC端過億。詞典的手機端利用海量的在線詞庫句庫，不占手機內(nèi)存，方便快捷。憑借搜索引擎的優(yōu)勢，實時收錄互聯(lián)網(wǎng)上最新最流行的詞匯，ORZ這樣的網(wǎng)絡(luò)詞語也不放過。

成從武

職位：高德軟件有限公司CEO

主要產(chǎn)品：高德地圖、高德導(dǎo)航

點評：2009年，針對iPhone、Andriod Pad和新版Andriod手機的“高德地圖”正式。成從武表示高德將逐漸向移動互聯(lián)網(wǎng)業(yè)務(wù)轉(zhuǎn)型，未來將定位于移動生活位置服務(wù)門戶。目前高德地圖有近5800萬用戶，高德導(dǎo)航已有將近7000萬用戶。

馬健

職位：金山網(wǎng)絡(luò)產(chǎn)品經(jīng)理

主要產(chǎn)品：金山電池醫(yī)生

點評：通過在充電時的適當(dāng)維護，延長電池壽命。金山電池醫(yī)生不僅能提供十幾項省電技巧，還能預(yù)測電池可用電量（準(zhǔn)確到分鐘），避免電量不足的尷尬。

雷軍

職位：小米手機董事長

主要產(chǎn)品：小米UI

點評：MIUI是小米公司旗下基于Android系統(tǒng)深度優(yōu)化、定制、開發(fā)的第三方手機操作系統(tǒng)。與其他手機操作系統(tǒng)不同的是，MIUI是動員幾十萬網(wǎng)友每天刷機，并根據(jù)其反饋意見構(gòu)造出來的。產(chǎn)品小組還根據(jù)測試用戶的反饋意見，每周五更新改進。MIUI支持23個國家的語言，在16個國家有粉絲站，一半用戶來自于國際市場。

李森和

職位：ZAKER CEO

主要產(chǎn)品：扎客ZAKER

點評：個性化定制閱讀和分享軟件，將微博、博客、報紙雜志、網(wǎng)絡(luò)新聞、圖片、RSS、團購、谷歌閱讀器等眾多內(nèi)容，按照用戶個人的意愿聚合到一起，用看雜志的方式輕松閱讀。用戶綁定微博后，可與好友進行分享、互動。這一產(chǎn)品符合移動互聯(lián)網(wǎng)帶來的碎片化、淺閱讀的讀者行為習(xí)慣。

王小川

職位：搜狗CEO

主要產(chǎn)品：搜狗輸入法、瀏覽器、搜索引擎

點評：自2010年8月搜狗從搜狐拆分為一家獨立的公司，搜狗的業(yè)績增長十分迅速。王小川曾表示，搜狗輸入法是一級火箭，瀏覽器是二級火箭，搜索是三級火箭，最后的發(fā)射來自前兩級的推動。

馬瑞麟

職位：長安福特馬自達汽車有限公司總裁

主要產(chǎn)品：福享連篇

點評：除了互動體驗長安福特全系產(chǎn)品、靚麗的車模秀，這個小工具還提供天氣情況、洗車指數(shù)、限行提示和愛車保養(yǎng)方面的常識。長安福特在2010年底推出的這一蘋果應(yīng)用，成為國內(nèi)汽車企業(yè)利用數(shù)字營銷資源的成功案例。

俞永福

職位：UCWEB CEO

主要產(chǎn)品：UC瀏覽器

點評：作為一款智能手機瀏覽器，UCWEB擁有獨創(chuàng)的U3內(nèi)核和云端技術(shù)，支持HTML5應(yīng)用，是閱讀、看視頻、上微博、玩游戲、網(wǎng)上購物等眾多移動互聯(lián)網(wǎng)體驗最常用的工具，能為用戶節(jié)省流量提高上網(wǎng)速度。

打造一款優(yōu)秀的產(chǎn)品，您的方法論是？

成功的產(chǎn)品，都是不斷試錯調(diào)整出來的，它反映的是真正的用戶需求。相反，你只做宏觀的規(guī)劃，靠邏輯、理性來定義產(chǎn)品，往往與用戶的需求偏離更遠。微創(chuàng)新就是要小步快跑，不怕失敗。

李學(xué)凌

職位：多玩游戲CEO

主要產(chǎn)品：多玩YY

點評：游戲玩家的必備“武器”，解放雙手，在虛擬世界笑傲江湖、征戰(zhàn)沙場、過關(guān)斬將的同時可以實現(xiàn)團隊語音互動。如今YY已經(jīng)延伸至音樂、教育等各個領(lǐng)域。在淘寶事件中其再次火了一把。

袁輝

職位：贏思軟件CEO

主要產(chǎn)品：小i機器人

點評：國內(nèi)最早的網(wǎng)絡(luò)機器人之一，在上網(wǎng)的同時，可以實現(xiàn)人機語音交流，機器人語音識別率和自然度高。

劉慶峰

職位：科大訊飛董事長

主要產(chǎn)品：訊飛語點

點評：語音助手應(yīng)用軟件， 改變用戶使用習(xí)慣，通過語音即可實現(xiàn)聊天、撥號、文本輸入、內(nèi)容搜索、咨詢答復(fù)、備忘錄等多種功能，偏重實用，反應(yīng)速度快，語料豐富。

郭秉鑫

職位：Talkbox CEO

主要產(chǎn)品：TalkBox 語音聊

點評：6個人的小團隊先于米聊和微信開發(fā)出TalkBox 語音聊，成為最早解放用戶“雙手”的語音發(fā)送工具。

Paul Ricci

職位：Nuance 公司 CEO

主要產(chǎn)品：聲龍聽寫（《Dragon Dictation》中文版）

點評：語音識別應(yīng)用，在輕松自然說話的同時，可將語音轉(zhuǎn)換成要發(fā)送的文字信息或電子郵件，識別度高，甚至可以“聽”得懂方言。

王金星

職位：艾伏銳(北京)總經(jīng)理

主要產(chǎn)品：EverFriends

點評：不同于大部分人機語音交互應(yīng)用，EverFriends虛擬化了服務(wù)人物并取名Brainy（布蘭妮） 和 Spoony（史卜尼），可以唱歌，講故事，注重娛樂性。

打造一款優(yōu)秀的產(chǎn)品，你的方法論是什么？

最好的用戶體驗加上獨特的核心技術(shù)，同時遵循大道至簡的設(shè)計原則。就訊飛的移動互聯(lián)網(wǎng)產(chǎn)品而言， 我們的做法是在把握好產(chǎn)品核心定位的基礎(chǔ)上從簡單做起，然后在認(rèn)真分析用戶需求的基礎(chǔ)上進行快速換代。 藝術(shù)來源于生活又高于生活， 打造一款優(yōu)秀的產(chǎn)品也是這樣。

做一名優(yōu)秀的產(chǎn)品經(jīng)理，所需要的關(guān)鍵能力是什么？

“源于熱愛”——做一個優(yōu)秀產(chǎn)品經(jīng)理的前提是對產(chǎn)品發(fā)自內(nèi)心的熱愛和激情。三項關(guān)鍵能力：透徹理解客戶需求，深刻把握核心技術(shù)，良好的溝通技巧和協(xié)調(diào)能力。

消費者需求正在發(fā)生什么樣的變化？

過去的20年中，互聯(lián)網(wǎng)一直在深刻的改變著人們的生活。 技術(shù)上的發(fā)展使得信息獲取的成本無限降低，同時溝通的效率無限提高。消費者根本的需求沒有改變，但需求的表現(xiàn)形式由于互聯(lián)網(wǎng)的發(fā)展而不斷地發(fā)生變化。

第9篇：人工智能醫(yī)療方向范文

關(guān)鍵詞： [甲狀腺結(jié)節(jié)； 超聲特征； 不平衡性； 改進的集成學(xué)習(xí)

中圖分類號： TP391

文獻標(biāo)志碼： A

文章編號： 2095-2163（2016）06-0012-05

0引言

在甲狀腺結(jié)節(jié)的臨床治療過程中，醫(yī)生的首要內(nèi)置目標(biāo)即是判別結(jié)節(jié)的良惡性，而對于惡性結(jié)節(jié)患者需及時采取有效重要的手術(shù)治療。但是在臨床實踐中，為了準(zhǔn)確判別患者結(jié)節(jié)的良惡性特征屬性，醫(yī)生首先對疑似或確診為甲狀腺結(jié)節(jié)的患者設(shè)計指定超聲檢查，然后根據(jù)超聲檢查的各項指標(biāo)，對疑似惡性結(jié)節(jié)患者增加細針穿刺活檢，由此方可初步確定患者的良惡屬性，最后才會得出推薦手術(shù)治療的終診論斷[1]。不難看出，患者診斷結(jié)果的準(zhǔn)確性主要依賴于醫(yī)生的主觀判斷。由于不同醫(yī)生的臨床經(jīng)驗和醫(yī)院醫(yī)療設(shè)施等存在差異，勢必會造成不同程度的結(jié)果誤診。如此一來，將不僅嚴(yán)重影響患者正確治療的展開推進，危及患者身體健康，而且也將對醫(yī)療資源造成一定的損失和可觀浪費。

為了幫助提高醫(yī)生臨床診斷的準(zhǔn)確性，同時降低患者誤診率，簡化患者前期檢測的定制流程。近年來，越來越多的學(xué)者試圖通過機器學(xué)習(xí)、專家系統(tǒng)等人工智能方法進行甲狀腺結(jié)節(jié)良惡性鑒別。其中，集成學(xué)習(xí)作為使用上具備廣闊領(lǐng)域的機器學(xué)習(xí)算法之一，設(shè)計思路就是在對新的實例進行分類的時候，把若干個單一分類器集成起來，通過對多個分類器的分類結(jié)果構(gòu)建某種組合來確定最終的分類，以取得比單個分類器更好的性能。因此在一般情況下，集成學(xué)習(xí)預(yù)測效果均要優(yōu)勝于絕大多數(shù)機器學(xué)習(xí)算法。

但是目前大多數(shù)研究都是基于甲狀腺超聲圖像數(shù)據(jù)，或者經(jīng)過挑選之后比較完整的文本特征數(shù)據(jù)，再采用已有的機器學(xué)習(xí)方法直接送入模型訓(xùn)練，而卻未曾考慮到真實醫(yī)療數(shù)據(jù)的稀疏性和不平衡性問題，因此得到的結(jié)果都存在一定的改進余地與完善空間。進一步研究可知，醫(yī)療數(shù)據(jù)的稀疏性主要體現(xiàn)在數(shù)據(jù)提取的缺失性上，由于患者病癥的不同，提取的規(guī)則不同，難免會導(dǎo)致許多缺失數(shù)據(jù)，也即稀疏數(shù)據(jù)。而不平衡性則體現(xiàn)在患者的實際診斷結(jié)果上，由于大部分結(jié)節(jié)都是良性結(jié)節(jié)，造成數(shù)據(jù)中良惡性樣本失衡。

為此，本文通過在目標(biāo)函數(shù)中加入自定義項對集成學(xué)習(xí)算法來設(shè)計實現(xiàn)改進，提出一種基于改進集成學(xué)習(xí)的甲狀腺結(jié)節(jié)良惡性鑒別方法，最大程度上消除數(shù)據(jù)的稀疏性和不平衡性對實驗結(jié)果造成的影響，同時提高預(yù)測結(jié)果準(zhǔn)確率。具體而言，該方法主要包括：在真實醫(yī)療數(shù)據(jù)集上，先通過有放回的抽樣方法獨立地從數(shù)據(jù)集大類樣本集中隨機抽取多個樣本子集，使每次隨機抽取的樣本數(shù)量與小類樣本數(shù)量一致，再將各抽取的樣本子集分別與小類樣本集組合成多個新的訓(xùn)練樣本集。對多個新樣本集的特征子集以集成學(xué)習(xí)的方式采用投票機制進行投票，數(shù)據(jù)集的最終特征子集以得票數(shù)目超過半數(shù)的特征共同組合而成[2]。然后利用改進的Boosting算法，在節(jié)點分裂過程中自動利用特征的稀疏性，加快模型訓(xùn)練速度。實驗結(jié)果表明，本算法相對于已有的機器學(xué)習(xí)方法具有更高的準(zhǔn)確率，在真實醫(yī)療數(shù)據(jù)集和UCI標(biāo)準(zhǔn)數(shù)據(jù)集上分別達到92.43%和94%。

文章第1節(jié)概述了在甲狀腺結(jié)節(jié)判別方面的相關(guān)研究；第2節(jié)展現(xiàn)了對數(shù)據(jù)的基礎(chǔ)預(yù)處理設(shè)計；第3節(jié)具體描述了改進的Boosting算法；第4節(jié)通過與傳統(tǒng)機器學(xué)習(xí)方法的實驗對比，論證本算法的優(yōu)異性；第5節(jié)給出本文的結(jié)論并對未來工作做出展望。

[BT4]1相關(guān)工作

通過機器學(xué)習(xí)方法提高對疾病的診斷預(yù)測準(zhǔn)確率已經(jīng)成為智慧醫(yī)療的一個重要實現(xiàn)途徑，當(dāng)下則有很多學(xué)者在甲狀腺結(jié)節(jié)的診斷分類方面開啟、并推進了相關(guān)研究。具體展開如下。

在數(shù)據(jù)的不平衡性處理上，David Masko對正例樣本進行過抽樣處理，人工注入樣本使得正例樣本的數(shù)目增加，使得正負(fù)樣本達到平衡[3]；Rok Blagus對少數(shù)類數(shù)據(jù)集規(guī)劃執(zhí)行數(shù)據(jù)預(yù)處理后，即運用過抽樣和欠抽樣相結(jié)合的改進方法，再利用交叉驗證的方法來得到效果驗證，改進效果明顯[4]。

在甲狀腺結(jié)節(jié)的預(yù)測鑒別研究上，熊偉等人提出了一種利用局部紋理特征與多示例學(xué)習(xí)相結(jié)合的方法，從感興趣區(qū)域提取其局部紋理特征，將感興趣區(qū)域看作由所有局部特征構(gòu)成的示例包，最后利用KNN算法來實現(xiàn)對甲狀腺結(jié)節(jié)的分類，準(zhǔn)確率達85.59%[5]；Jieming Ma等人提出一種基于SVM的甲釹俳嶠げ夥椒ǎ并且為了防止模型的過擬合，在普通SVM模型的代價函數(shù)中加入懲罰項生成設(shè)計優(yōu)化，準(zhǔn)確率達86.6%[6]；李前程等人將結(jié)節(jié)的良惡性作為因變量，以超聲表現(xiàn)作為自變量，采用二分類logistic 回歸分析篩選出對甲狀腺結(jié)節(jié)良惡性有顯著鑒別作用的超聲指標(biāo)并建立回歸模型，準(zhǔn)確率可達89.91%[7]；張振宇等人對基于k-means聚類的動態(tài)集成算法研究了創(chuàng)新改進，提出了一種選擇加權(quán)動態(tài)集成方法，采用多個分類器進行并聯(lián)集成，以此來增加分類模型的穩(wěn)定性，準(zhǔn)確率則達到了90.2%[8]。

[BT4]2數(shù)據(jù)預(yù)處理

針對甲狀腺結(jié)節(jié)患者治療的臨床經(jīng)驗以及某三甲醫(yī)院患者的實際超聲指標(biāo)特征，實驗前先將非結(jié)構(gòu)化的醫(yī)療數(shù)據(jù)進行結(jié)構(gòu)化處理[9]，提取出研究需要的指標(biāo)以及對應(yīng)的文本描述。然后將表示特征指標(biāo)程度的文本變量轉(zhuǎn)換為算法能夠處理的數(shù)值型變量[10]。

為了降低信息重疊造成的結(jié)果失真，研究中利用主成分分析法對諸多的特征作出選擇，在最大化保留原始數(shù)據(jù)信息的前提下，去除不必要的特征，提升模型訓(xùn)練速度和結(jié)果準(zhǔn)確度。首先對原始數(shù)據(jù)設(shè)定修正達到標(biāo)準(zhǔn)化，計算其相關(guān)系數(shù)矩陣，求出特征值與特征向量，然后選取累計貢獻率達到85%以上的特征值對應(yīng)的主成分，替換原始特征變量[11]。[JP2]經(jīng)過主成分分析后，選擇使用血流模式、血供程度、回聲分布、包膜接觸面積、甲狀腺實質(zhì)血供、結(jié)節(jié)邊界等16項指標(biāo)作為輸入特征變量，以其對應(yīng)的結(jié)節(jié)病理診斷結(jié)果作為預(yù)測輸出變量。[JP]

在數(shù)據(jù)平衡性方面，研究則利用改進的SMOTE算法對惡性結(jié)節(jié)樣本進行過抽樣處理，人工注入樣本使得樣本數(shù)量增加；對良性結(jié)節(jié)樣本進行欠抽樣處理，將譜聚類算法引入其中，選取樣本的子集即可使數(shù)據(jù)集在良惡性樣本的數(shù)目上趨于平衡，提高試驗結(jié)果的準(zhǔn)確性。

4實驗結(jié)果與模型評估

[BT5]4.1參數(shù)確定

為了找到算法的最優(yōu)結(jié)果，需要通過實驗確定各參數(shù)的最佳值。一般情況下，各參數(shù)需要同時考慮，才能得到全局最優(yōu)值，但是考慮到此處的特殊性，當(dāng)?shù)螖?shù)足夠大時，模型的分類準(zhǔn)確率趨于穩(wěn)定，因此實際調(diào)參過程中通過設(shè)置足夠大的迭代次數(shù)、如1 000次，可以得到最優(yōu)的樹深度，然后在此最優(yōu)深度下選擇最優(yōu)的迭代次數(shù)，避免不必要的空間和時間浪費。在此，將給出預(yù)測準(zhǔn)確率與樹深度間的對應(yīng)關(guān)系，如圖1所示。

從圖1中可看出，當(dāng)樹深度為3時，模型的預(yù)測準(zhǔn)確率達到最大，具體為92.43%。分析原因在于：原則上當(dāng)樹深度增加時，模型復(fù)雜度也隨之增加，對數(shù)據(jù)的分類也就越準(zhǔn)確，但當(dāng)樹深度達到一定數(shù)量（在這里是3）后，再增加樹深度只會造成過擬合，在測試集上的準(zhǔn)確率反而會出現(xiàn)下降。

接下來，研究中進一步給出了預(yù)測準(zhǔn)確率與迭代次數(shù)之間的統(tǒng)計關(guān)系，結(jié)果示意如圖2所示。

從圖2可以看出，當(dāng)?shù)螖?shù)達到400次以后，預(yù)測準(zhǔn)確率達到最大，具體為92.43%。至此，本模型參數(shù)確定為樹深度為3，迭代次數(shù)為400次。

[BT5]4.2模型評估

模型評估是檢驗設(shè)計模型是否具有使用價值的重要依據(jù)，是模型建立過程中必不可少的基礎(chǔ)有益環(huán)節(jié)。本文擬將從混淆矩陣和ROC圖像兩個方面進行模型評估。

4.2.1混淆矩陣

混淆矩陣主要用于比較模型預(yù)測值同實際真實值之間的差別，是一種常用且有效的模型評估方法[13]。實驗以297名患者的數(shù)據(jù)作為測試集，對比預(yù)測值與實際值之間的差別。實驗結(jié)果如表1所示。

從表1可以看出，算法預(yù)測準(zhǔn)確率達到92%。其中惡性結(jié)節(jié)預(yù)測準(zhǔn)確率達到86%，召回率達到96%，也就是說幾乎所有的惡性結(jié)節(jié)患者都能獲得正確識別。作為對比，該醫(yī)院的真實臨床數(shù)據(jù)卻清晰地顯示出，被醫(yī)生診斷為惡性結(jié)節(jié)并實施相應(yīng)手術(shù)治療的患者中，實際惡性患者占比僅為63%。

4.2.2ROC圖

ROC（受試者工作特征）曲線常常用來檢查在找出真陽性和避免假陽性之間的權(quán)衡，曲線上的點表示不同假陽性閾值上的真陽性的比例。簡單來說，ROC曲線下面積越大，模型效果越好[14]。本次研究模型的ROC曲線則如圖3所示。

從圖3可以看出，ROC曲線距離完美情況比較接近，經(jīng)計算也可得出AUC（ROC曲線下面積）為0.935，說明模型預(yù)測性能非常好。

4.3算法對比

為了驗證本算法的實際性能，本文選擇了3種常用的數(shù)據(jù)挖掘模型展開對比測試。實驗采用真實臨床醫(yī)療數(shù)據(jù)和UCI標(biāo)準(zhǔn)數(shù)據(jù)集new-thyroid分別進行分類預(yù)測效果對比，且各模型都選取最佳參數(shù)下的效果，對比結(jié)果如表2、表3所示。

從表2、表3中可以看出，本文提出的方法預(yù)測準(zhǔn)確率較之前已有的研究方法均呈現(xiàn)有一定程度的提高，證明了本文算法的優(yōu)異之處，對于疾病的診斷預(yù)測研究有一定的幫助。

[BT4]5結(jié)束語

近年來，甲狀腺疾病、尤其是甲狀腺結(jié)節(jié)的診治醫(yī)療已然成為研究學(xué)界的一個重點課題。如何在臨床施診過程中能夠有效提高良惡性結(jié)節(jié)的診斷準(zhǔn)確率，正確及時制定、推薦治療方案，無論對患者的病情進展控制還是對醫(yī)療資源的合理配置都將具有重要的意義。本文提出的改進的Boosting算法，在真實醫(yī)療數(shù)據(jù)集和UCI標(biāo)準(zhǔn)數(shù)據(jù)集上都呈現(xiàn)出一定的優(yōu)異性，具有較高的預(yù)測正確率。并且考慮到實際醫(yī)療數(shù)據(jù)的不平衡性和稀疏性，使結(jié)果更具說服力、及優(yōu)良可行性。

未來的工作主要從3個方向入手：首先，在更趨宏觀科學(xué)的指導(dǎo)下確定鑒別結(jié)節(jié)良惡性的特征屬性；考慮其他忽略的特征屬性對鑒別結(jié)果的影響。其次，提升特征屬性的質(zhì)量；包括特征屬性的提取、轉(zhuǎn)換和選擇。最后，要重視算法的優(yōu)化，針對醫(yī)療數(shù)據(jù)的特征作出相應(yīng)的模型優(yōu)化，讓算法對數(shù)據(jù)集分類的結(jié)果更具普適性和高效實用性。

[HS1*2][HT5H]參考文獻：[HT]

[WTBZ][ST6BZ][HT6SS][1] [ZK（#〗

[HJ*2]

[JP3]HAUGEN B R， ALEXANDER E K， BIBLE K C， et al. 2015 American Thyroid Association[JP] Management Guidelines forpatients with Thyroid Nodules and Differentiated Thyroid Cancer[J]. Thyroid， 2016， 26（1）： 1-133.

[2]u權(quán)，郭茂祖，劉揚，等. 類別不平衡的分類方法及在生物信息學(xué)中的應(yīng)用[J]. 計算機研究與發(fā)展， 2010，47（8）：1407-1414.

[3] Masko D， Hensman P. The impact of imbalanced training data for convolutional neural networks[D]. Stockholm：KTH Royal Institute of Technology， 2015.

[4] LUSA L. Joint use of overand undersampling techniques and crossvalidation for the development and assessment of prediction models[J]. BMC bioinformatics， 2015， 16（1）： 1-10.

[5]熊ィ龔勛，羅俊，等.基于局部紋理特征的超聲甲狀腺結(jié)節(jié)良惡性識別[J]. 數(shù)據(jù)采集與處理， 2015，30（1）：186-191.

[6] MA J， LUO S， DIGHE M， et al. Differential diagnosis of thyroid nodules with ultrasound elastography based on support vector machines[C]// Ultrasonics Symposium （IUS）， 2010 IEEE. San Diego， California， USA： IEEE， 2010：1372-1375.

[7] 李前程，孫麗娜，吳雙，等. 高頻超聲及彈性成像對甲狀腺結(jié)節(jié)性質(zhì)鑒別診斷的logistic 回歸分析[J]. 中國地方病防治雜志， 2015，30（4）：291-293.

[8] 張振宇. 改進集成技術(shù)在甲狀腺超聲圖像分類中的應(yīng)用研究[D]. 保定：河北大學(xué)， 2014.

[9] 陳德華，馮潔瑩，樂嘉錦，等. 中文病理文本的結(jié)構(gòu)化處理方法研究[J]. 計算機科學(xué)，2016，43（10）：272-276.

[10] 戚ィ陳俊，李千目. 基于冗余消除和屬性數(shù)值化的XACML策略優(yōu)化方法[J]. 計算機科學(xué)，2016，43（2）：163-168.

[11]Furuya S， Tominaga K， Miyazaki F， et al. Losing dexterity： patterns of impaired coordination of finger movements in musician's dystonia[EB/OL]. [2015-08-20]. http：//sci Rep.2015；5：13360.

[12]Chen T， Guestrin C. XGBoost： A Scalable Tree Boosting System[EB/OL]. [2016-03-09].https：///pdf/1603.02754v1.pdf.