【導讀】抗擊新冠肺炎疫情還在繼續。人工智能深度學習技術在抗擊疫情方面有何作用？最近武漢大學人民醫院在medRXiv預印版本論文，構建一個基于深度學習的系統，在高分辨率CT上檢測2019-nCoV肺炎，減輕放射科醫生的工作壓力，提高診斷效率。在2月份真實病例數據上的實驗結果揭示，基于深度學習的模型在更短的時間內取得了與專家放射科醫師相當的效果。它在提高診斷效率、減輕一線放射科醫師的工作壓力、加快COVID19患者的診斷、隔離和治療等方面具有巨大的潛力，有助于控制疫情。值得一提的是，該工作也得到了Keras作者 Fran?ois Chollet的推評，本工作用到了Keras。
背景: CT是評估肺炎冠狀病毒感染的首選影像學方法。我們的研究目的是構建一個基于深度學習的系統，在高分辨率CT上檢測2019-nCoV肺炎，減輕放射科醫生的工作壓力，提高診斷效率。
方法: 收集2019-nCoV肺炎患者40例21661張CT掃描圖像和24例非2019-nCoV感染患者5100張CT掃描圖像，訓練卷積神經網絡模型檢測2019-nCoV肺炎。收集了11例和31例具有和不具有2019-nCoV肺炎的患者進行回顧性檢測。前瞻性收集武漢大學人民醫院于2020年2月5日連續接受CT掃描的27例患者，以評估和比較放射科醫師對2019-CoV肺炎的治療效率。
結果: 該模型對每個患者的敏感性為100%，特異性為93.55%，準確性為95.24%，PPV為84.62%，NPV為100%;在回顧性數據集中，每幅圖像的靈敏度為94.34%，特異性為99.16%，準確性為98.85%，PPV為88.37%，NPV為99.61%。在27名預期患者中，該模型與專家放射科醫生相比，具有更短的閱讀時間(41.34s [IQR 39.76-44.48] vs. 115.50s [IQR 85.69-118.17])。
解釋: 我們已經開發了一個深度學習模型，顯示了與專家放射科醫生使用更短的時間的可比性能。這對提高臨床診斷的效率，減輕放射科醫師的工作壓力具有很大的潛力。
付費5元查看完整內容
相關內容
COVID-19大流行繼續對全球人口的健康和福祉產生破壞性影響。與COVID-19作斗爭的一個關鍵步驟是對受感染患者進行有效的篩查，其中最關鍵的篩查方法之一是使用胸片進行放射成像。基于此，許多基于深度學習的人工智能(AI)系統被提出，結果顯示在使用胸片圖像檢測COVID-19感染患者的準確性方面很有希望。然而，據作者所知，這些開發的人工智能系統是封閉的，研究社區無法對其進行更深入的理解和擴展，也無法對公眾進行訪問和使用。因此，在本研究中，我們引入COVID-Net，這是一種針對胸片圖像中COVID-19的檢測而設計的深度卷積神經網絡，它是開源的，并且對公眾開放。我們還描述了用于訓練COVID-Net的胸片數據集，我們將其稱為COVIDx，它由來自兩個開放訪問數據庫的2839例患者的5941張前后胸片圖像組成。此外，我們研究COVID- net如何使用可解釋性方法進行預測，以獲得與COVID病例相關的關鍵因素的更深入的了解，從而幫助臨床醫生改進篩選。決不生產就緒的解決方案,希望開放獲取COVID-Net,隨著描述構建開源COVIDx數據集,將杠桿,建立由研究人員和公民數據科學家們還都加快發展的高度準確的實際深度學習解決方案檢測COVID-19病例和加速處理那些最需要的人。
付費5元查看完整內容
標題
人工智能在預防與治療新冠狀病毒起到哪些作用？
關鍵字
新冠狀病毒，人工智能醫學，多學科交叉，機器學習，深度學習，數據挖掘
簡介
截止北京時間2020年3月10日，中國確診病例80928人，死亡3140人。此外，疫情大肆席卷全球，國外確認人數多達28550人，死亡871人，涉及眾多國家，并呈現加重趨勢，全球一道抗擊疫情迫在眉睫。那么身為未來科技革命的領導者——人工智能，被社會抱有極大期望，在面對2019新冠狀病毒猛烈攻擊下，在預測與防治方面，起到多大作用呢？這是值得思考的地方。我們知道在醫學領域，人工智能不僅研究已久，還被社會稱為不久將來人工智能發力的重點領域，顯然本次的全球重大疫情，是對人工智能醫學乃至整個人工智能領域的巨大考驗，可以從一個側面反映人工智能實際發展情況，是否像部分人那樣所宣傳的“人工智能”。 經過多方調查，我個人得出的結論是：AI在本次抗擊疫情中，發揮了重要，尤其在防治檢測方面。然而，在預測方面，雖然來自加拿大的公司Bluedot，在1月初的時候，成功預測了新型冠狀病毒從武漢爆發后，幾天之內從武漢擴散至北京、曼谷、漢城及臺北，向其用戶發出警告，不過依舊存在一些不足。以下簡單地列舉了AI在此次抗擊疫情中發揮作用的幾個方面。
- Bluedot 是一家來自加拿大多倫多的 AI 初創公司，該公司致力于使用大數據分析來跟蹤和預測世界上最危險的傳染病的蔓延。利用 AI 驅動的算法，該公司 AI 系統通過搜索外語新聞報道、動植物疾病報告和各類官方公告，于 2019 年 12 月 31 日向其客戶發出警告，避免在武漢等地區進行活動。這一警告比美國疾病控制與預防中心于 2020 年 1 月 6 日發布的消息還要早。
- “AI+CT”支持醫學判斷。
- 公共場所測體溫，是人工智能、紅外測溫、可見光抓拍和人體識別技術的綜合應用，通過人體識別技術，輔助追蹤疾控防疫傳染路徑，通過以圖搜圖、碰撞比對，計算出發熱者的軌跡、同行者、密切接觸人員等，進一步確認其身份，加速診斷。
- 智能語音對話，在線問診。
- 消毒機器人。
- 疫情跟蹤，中國工程院院士鐘南山團隊在科學研究中也使用了人工智能模型來預測新冠肺炎疫情的流行趨勢。這種模型名為長短期記憶模型(Long-Short-Term-Memory，簡稱LSTM)，該模型的訓練數據集是2003年4月至6月的SARS流行病學數據。
- 百度利用數據挖掘技術結合百度地圖，繪制百萬武漢勞工返鄉圖，分析重點災區分布等。
- 總體來說，人工智能在疫情防治檢測方面，亮點突出，但是在疫情預測方面，依舊需要更上一層樓，正所謂：“我們需要的是預測未來，而非事后諸葛亮”。
作者
Fan Zhiguang，鄭州大學，河南先進技術研究院研究生
付費5元查看完整內容
論文題目
基于標注有效的有監督深度學習方法在乳腺攝影和數字乳腺斷層攝影中的魯棒性乳腺癌檢測
論文摘要
乳腺癌仍然是一個全球性挑戰，2018年全球死亡人數超過100萬。為了盡早發現乳腺癌，全世界的衛生組織都建議進行乳腺x光篩查，據估計可將乳腺癌死亡率降低20-40%。然而，顯著的假陽性率和假陰性率，以及高昂的口譯費用，為提高質量和獲得服務留下了機會。為了解決這些局限性，最近人們對將深度學習應用于乳房X光攝影術產生了很大興趣；然而，獲取大量帶注釋的數據對為此目的訓練深度學習模型提出了挑戰，同時也確保了在訓練數據集中所代表的群體之外的泛化。在這里，我們提出了一種注釋有效的深度學習方法，1）在乳房X光分類方面達到最先進的性能，2）成功擴展到數字乳房X光合成（DBT；“3D乳房X光成像”），3）在癌癥患者的臨床陰性乳房X光片中檢測癌癥，4） 對于低篩查率的人群，5）通過平均提高14%的絕對靈敏度，其表現優于五分之五的全職乳腺成像專家。我們的研究結果表明，我們有望開發出一種軟件，能夠提高全世界乳腺X光檢查的準確性和可獲得性。
論文作者
William Lotter,Abdul Rahman Diab,Bryan Haslam,Jiye G. Kim,Giorgia Grisot,Eric Wu,Kevin Wu,Jorge Onieva Onieva,Jerrold L. Boxerman,Meiyun Wang,Mack Bandler,Gopal Vijayaraghavan,A. Gregory Sorensen。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191