亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

十年來，人工智能(AI)取得了前所未有的進步，這表明包括醫學在內的許多領域都有潛力受益于人工智能技術從數據中提取的洞見。在此，我們綜述了以深度學習為驅動力的現代計算機視覺技術在醫療應用方面的最新進展，重點關注醫學成像、醫療視頻和臨床應用。我們首先簡要總結一下卷積神經網絡十年來在醫療保健領域取得的進展，包括它們實現的視覺任務。 接下來，我們將討論幾個可能受益的醫學影像應用實例——包括心臟病學、病理學、皮膚科、眼科——并提出繼續工作的新途徑。然后，我們擴展到一般醫療視頻，重點介紹了臨床工作流程可以整合計算機視覺以增強護理的方式。最后，我們討論了這些技術在現實世界的臨床部署所需要的挑戰和障礙。

//www.nature.com/articles/s41746-020-00376-2

引言

計算機視覺(Computer vision，簡稱CV)已有數十年的豐富歷史，致力于使計算機有意義地感知視覺刺激。機器感知的范圍很廣，從識別邊緣這樣的低級任務，到理解完整場景這樣的高級任務。過去十年的進步主要歸功于三個因素: (1)深度學習(DL)的成熟，這是一種機器學習，能夠從原始數據中對非常復雜的函數進行端到端學習; (2)通過GPUs3在本地化計算能力上取得了巨大進步; (3)用于訓練這些算法的大型標記數據集的開源。這三個要素的結合使單個研究人員能夠獲得推進該領域所需的資源。隨著研究團體的指數級增長，進步也隨之增長。

現代計算機視覺的發展與許多科學領域中大量數字數據的產生相重疊。近年來醫學取得了巨大的進步，這在很大程度上要歸功于DL從大多數數據來源中學習許多任務的非凡能力。使用大數據集，CV模型可以獲得多種模式識別能力——從醫生級別的診斷到醫療場景感知。參見圖1。

a. 多模態判別模型。可以構建深度學習架構，從圖像數據(通常是卷積網絡)和非圖像數據(通常是通用深度網絡)中共同學習。學習到的注釋可以包括疾病診斷、預后、臨床預測及其組合。b. 生成模型。卷積神經網絡可以訓練生成圖像。任務包括圖像到圖像的回歸(如圖所示)、超分辨率圖像增強、新圖像生成等。

在這里，我們回顧了CV和醫學的交集，聚焦于醫學影像、醫學視頻和真實臨床部署的研究。我們討論了釋放這些機會的關鍵算法能力，并深入研究了近年來取得的無數成就。適合CV的臨床任務包括許多類別，如篩選、診斷、檢測條件、預測未來結果、從器官到細胞的病理分割、監測疾病和臨床研究。在整個過程中，我們考慮這一技術的未來增長及其對醫學和醫療保健的影響。

計算機視覺

目標分類、定位和檢測分別是指識別圖像中目標的類型、當前目標的位置，同時識別類型和位置。ImageNet大規模視覺識別挑戰(ILSVRC)是過去十年來在這些任務中取得進展的先鋒。它創建了一個DL研究人員競爭和合作的大型社區，以改進各種CV任務的技術。第一個當代的、GPU驅動的DL方法，在2012年產生了這個社區增長的拐點，并在2017年比賽的到達頂點。值得注意的是，在此期間，分類準確性達到了人類水平。在醫學領域，這些方法的細粒度版本已成功地應用于許多疾病的分類和檢測(圖2)。如果有足夠的數據，其準確性往往與專家醫生的水平相匹配或超過。同樣，物體的分割有了很大的改進，特別是在具有挑戰性的情況下，如在顯微鏡下對多種類型的重疊細胞的生物醫學分割。在這些任務中使用的關鍵DL技術是卷積神經網絡(CNN)——一種對圖像數據的關鍵特征平移不變性進行硬編碼的DL算法。許多其他CV任務也從這一進展中受益，包括圖像配準(在相似圖像中識別對應點)，圖像檢索(尋找相似圖像)，以及圖像重建和增強。處理醫療數據的特定挑戰要求使用多種類型的人工智能模型。

這些技術很大程度上依賴于監督學習，它利用包含數據點(如圖像)和數據標簽(如對象類)的數據集。考慮到醫學數據的稀疏性和訪問困難，遷移學習——算法首先在一個大型且不相關的語料庫(如ImageNet4)上進行訓練，然后在感興趣的數據集(如醫學)上進行微調——對進展至關重要。為了減少與收集和標記數據有關的費用，正在開發生成合成數據的技術，例如數據增加和生成式對抗網絡。研究人員甚至表明，眾包圖像注釋可以產生有效的醫學算法。最近，自監督學習——從數據點中提取隱式標簽并用于訓練算法(例如，預測由分割圖像生成的瓦片的空間排列)——已經將該領域推向了完全的無監督學習，這種學習不需要標簽。將這些技術應用于醫學將減少開發和應用的障礙。

這些進步促進了CV的其他領域的增長，如多模態學習，它將視覺與其他形式(如語言)、時間序列數據和基因組數據結合在一起(圖1a)。這些方法可以與3D視覺相結合，將深度相機變成保護隱私的傳感器，面向病人更容易的部署設置，如重癥監護室。在視頻中，任務的范圍甚至更廣。應用程序，如活動識別和現場了解是有用的檢測和反應的重要或不良臨床事件。

醫學成像

近年來，將計算機視覺技術應用于靜態醫學圖像的論文已從數百份增加到數千份。由于這些專業診斷任務的視覺模式識別特性，以及高度結構化圖像的日益可用性，一些領域已經得到了大量的關注，如放射學、病理學、眼科和皮膚科。

心臟病學

心臟影像學在臨床診斷和工作流程中的應用越來越廣泛。深度學習的主要臨床應用包括診斷和篩選。在心血管醫學中最常見的成像方式是心臟超聲，或超聲心動圖。作為一種成本效益高、無輻射的技術，超聲心動圖由于直接的數據采集和解釋而特別適合DL——它通常用于大多數急性住院設施、門診中心和急診室。此外，CT和MRI等3D成像技術用于了解心臟解剖，并更好地表征供需不匹配。CT分割算法甚至已經被FDA批準用于冠狀動脈可視化。

病理學

病理學家在癌癥的檢測和治療中起著關鍵作用。病理分析基于顯微鏡下對組織樣本的目視檢查-本質上是主觀的。視覺感知和臨床訓練的差異可能導致診斷和預后意見的不一致。在這里，DL可以支持關鍵的醫療任務，包括診斷、預后預測和治療反應、病理分割、疾病監測等。

皮膚病學

DL在皮膚科的主要臨床任務包括病變特異性鑒別診斷，在許多良性病變中發現病變，并幫助跟蹤病變隨時間的增長。一系列的研究表明，CNNs在從良性皮膚病變中分類惡性皮膚病變方面可以與認證皮膚科醫生的表現相匹配。這些研究相繼測試了越來越多的皮膚科醫生(25-7 57-93,157-94)，一致表明分類的敏感性和特異性匹配甚至超過醫生水平。這些研究很大程度上局限于區分良性和惡性皮膚病變的二元分類任務，將黑素瘤與痣或脂溢性角化癌進行分類。

眼科學

近年來，人工智能在眼科應用的努力顯著增加，數十篇論文證明了臨床診斷和分析能力超出了當前人類的能力。潛在的臨床影響是顯著的——用于檢查眼睛的機器的便攜性意味著彈性診所和遠程醫療可以被用來將檢測地點分布到服務不足的地區。該領域主要依靠眼底成像和光學相干斷層掃描(OCT)來診斷和管理患者。

醫學視頻

外科的應用

CV可能在手術和內窺鏡等程序領域提供重要的實用價值。深度學習的主要臨床應用包括通過實時上下文意識、技能評估和培訓提高外科醫生的表現。

人類活動 CV可以識別醫院和診所等物理空間中的人類活動，用于一系列“環境智能”應用。環境智能指的是物理空間中持續的、非侵入性的活動意識，可以為臨床醫生、護士和其他醫療工作者提供幫助，如患者監控、自動文檔記錄和協議遵從性監控(圖3)。

計算機視覺與傳感器和視頻流相結合，使臨床和家庭環境中的許多安全應用得以實現，使醫療保健提供商能夠擴大其監控患者的能力。主要是使用用于細粒度活動識別的模型創建的，應用程序可能包括ICU中的患者監測、醫院和診所中的適當的手衛生和物理動作協議、異常事件檢測等。

臨床部署

隨著醫學人工智能進入臨床，它將同時有能力為社會做巨大的好事，并有可能加劇長期存在的不平等和使醫學錯誤永久化。如果操作得當、合乎道德，醫療人工智能可以成為實現更公平醫療的飛輪——使用得越多，獲得的數據越多，就會變得越準確、越普遍。關鍵在于理解模型所構建的數據以及它們所部署的環境。在這里，我們提出了在醫療保健領域應用ML技術時的四個關鍵考慮事項:數據評估、模型限制規劃、社區參與和信任構建。

參考文獻：

Szeliski, R. Computer Vision: Algorithms and Applications (Springer Science & Business Media, 2010).

LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. Nature 521, 436–444 (2015). CAS Article Google Scholar

Sanders, J. & Kandrot, E. CUDA by example: an introduction to general-purpose GPU programming. Addison-Wesley Professional; 2010 Jul 19.BibTeXEndNoteRefManRefWorks

Deng, J. et al. ImageNet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition 248–255 (IEEE, 2009).

Esteva, A. et al. A guide to deep learning in healthcare. Nat. Med. 25, 24–29 (2019).