|
機器學(xué)習（ML）是人工智能的核心領(lǐng)域，專(zhuān)門(mén)研究計算機模擬人類(lèi)學(xué)習行為的方法。深度學(xué)習（DL）于2006年正式提出，作為新一代人工智能技術(shù)的代表引領(lǐng)了本次人工智能熱潮，幾乎成為人工智能的代稱(chēng)。深度學(xué)習實(shí)為人工神經(jīng)網(wǎng)絡(luò )算法，特征提取無(wú)須人為干預自動(dòng)完成，是基于海量數據和高算力的黑盒算法。
人工智能醫療器械是指使用人工智能技術(shù)的醫療器械，包括人工智能獨立軟件和人工智能軟件組件。人工智能技術(shù)在醫療器械的應用主要包括前處理（如成像速度提升）、流程優(yōu)化（如一鍵操作）、常規后處理（如圖像分割）、輔助決策（如輔助篩查、輔助識別、輔助診斷、輔助治療）等方面，能夠提高診治的準確性和效率，降低醫生誤診漏診率和工作強度，具有良好的臨床價(jià)值和應用前景。
在我國，使用傳統人工智能技術(shù)的醫療器械已有多款產(chǎn)品注冊上市，如乳腺癌、肺結節、結腸息肉等輔助識別軟件和心電分析軟件。而使用深度學(xué)習等新一代人工智能技術(shù)的醫療器械典型產(chǎn)品有眼底照片糖網(wǎng)輔助篩查軟件、CT圖像肺結節輔助識別軟件、病理圖像輔助識別軟件，目前仍主要處于研發(fā)、檢測、臨床試驗階段。 深度學(xué)習雖然在商業(yè)領(lǐng)域已取得成功，但在醫學(xué)領(lǐng)域應用還存在諸多問(wèn)題。由于醫學(xué)是經(jīng)驗科學(xué)，本身存在著(zhù)不確定性和開(kāi)放性，決策路徑復雜，簡(jiǎn)單將商業(yè)成功經(jīng)驗移植到醫學(xué)場(chǎng)景并不能達到預期效果。 首先，深度學(xué)習是個(gè)“黑盒”，可解釋性差。醫生知其然但不知其所以然，影響后續醫療活動(dòng)的開(kāi)展，特別是長(cháng)期使用產(chǎn)生依賴(lài)性之后較難發(fā)現產(chǎn)品出錯。 其次，深度學(xué)習以數據為基礎，但醫療數據不能完全代表臨床決策要素，同時(shí)其反映的是數據之間的相關(guān)性而非因果性，需要權衡對于醫生臨床決策的影響及其受益與風(fēng)險。 第三，深度學(xué)習需要大量高質(zhì)量數據進(jìn)行訓練，滿(mǎn)足相應條件的醫療數據相對較少。一是醫療數據較為復雜，具有多維度特征，增加數據標注和算法訓練難度；二是醫療數據相對封閉，數據產(chǎn)權關(guān)系不清，數據獲取較為困難；三是醫療數據需要人工標注形成標簽以供訓練，人為因素影響嚴重。 最后，訓練數據缺乏多樣性，數據量不足，缺乏魯棒性設計，導致算法泛化能力弱，重復性和再現性差，臨床難以落地和推廣。
因此，只有在數據質(zhì)量控制、算法泛化能力以及臨床使用風(fēng)險等方面扎實(shí)做好工作，才能保證深度學(xué)習醫療器械的安全性和有效性。此外，需要數據驅動(dòng)與知識驅動(dòng)相結合，以提升深度學(xué)習的可解釋性。
| 
020-29820-234
發(fā)表于 2019-4-9 09:27:32
收藏
分享
淘帖