Bu makalenin uzunluğu 2517 kelime , Okumanız tavsiye edilir 4 dakika
Bu makale, "Tıbbi Görüntülerde Beyin Benzeri Bilgisayar Kullanımı" konulu dersin özünü paylaşıyor.
[Kılavuz] Bu makale Tsinghua Üniversitesi Biyomedikal Mühendisliği Bölümü Profesörü 3 Temmuz 2017'den derlenmiştir. Şarkı Sen Tsinghua-Qingdao Veri Bilimi Enstitüsü ve Tsinghua Üniversitesi Tıp Fakültesi Geleceğin Görüntüleme Laboratuvarında Tsinghua Üniversitesi Yapay Zeka ve Geleceğin Tıbbi Görüntüleme Zirvesi Forumu "Tarihinde, yayınlandı" Tıbbi görüntülerde beyin benzeri hesaplamanın uygulanması "Konuşmanın özü.
Sahne arkası cevap anahtar kelimeleri "Tsinghua Büyük Veri" , PPT'nin tam sürümünü indirin.
1. Beyin benzeri yapay zeka ve derin öğrenme
1. Beyin benzeri yapay zeka
Beyin benzeri yapay zeka, araştırma geçmişimle ilgili. Çocukken yapay zeka ile oynadım ve daha sonra o zamandan itibaren yapay zekayı gerçekleştirmek istiyorsak insan beyninden öğrenmemiz gerektiğini hissettim, bu yüzden uzun süredir beyin araştırması yapıyorum. Şimdi bu iki noktayı birleştirme fırsatına sahip olduğum için çok mutluyum.
2. Derin öğrenme
Çok duyduğunuz sözde derin öğrenme, beyin benzeri yapay zeka perspektifinden primatların görsel yapısından ilham alıyor. Soldaki resimde görsel sistemin birçok katmanı var, bu yüzden derin öğrenme deniyor.
3. Derin öğrenmenin tarihi
Son zamanlarda, derin öğrenme nispeten büyük atılımlar yaptı ve tıbbi görüntülerde de büyük ilerlemeler oldu. Büyük verilerin ve bilgi işlem gücünün iyileştirilmesiyle, bu beyinden ilham alan algoritma nihayet gerçek dünya uygulamalarıyla birleştirilebilir. Tabii ki, derin öğrenmenin gerçek tarihi inişler ve çıkışlar, çok dolambaçlı.
Son yıllarda makine öğrenimindeki temel farklılıklar nelerdir? Geleneksel olarak, makine öğreniminde, önce bazı özellikleri manuel olarak çıkarmanız ve ardından genellikle nispeten basit bir sınıflandırıcıyı eğitmeniz gerekir. Geçtiğimiz birkaç yıldaki fark, otomatik özellik çıkarma yapabilme yeteneğidir.
Spesifik olarak, derin öğrenme otomatik özellik çıkarmanın bir kısmı onu birçok katmana ayırır.
Derin öğrenme atılımının 2012'de olduğunu biliyor olabilirsiniz. Bir yarışma vardı, İnternetten çok sayıda resim buldum, onlara açıklama ekledim ve makinenin bunu öğrenip öğrenemeyeceğini öğrenmesine izin verdim. Geçtiğimiz birkaç yılda doğruluk oranı oldukça düşüktü.Daha sonra derin öğrenme yöntemlerinin kullanımı doğrudan onlarca yüzde puanı arttı ve o zamandan beri derin öğrenme çok popüler hale geldi.
2. Derin öğrenme, tıbbi görüntüler alanında uygulanır
1. Deri kanseri teşhisi
Deri kanseri teşhisi bu tür algoritmaya çok benzer. Yapılıp yapılamayacağını görmek için bir etiket verin. Bu büyük bir başarıydı. Bununla birlikte, derin öğrenme yöntemi tıbbi tedaviye uygulanırsa, çoğu durumda kullanımı o kadar kolay değildir ve hala bazı uzmanlıklar vardır.
2. Biyolojik görüntülere uygulanan derin öğrenme
Bu, ben doktora sonrası araştırma görevlisiyken başladığımız bir girişimdir. Nöron resmi onu sağ tarafa çevirmek istedi ve sonra daktiloyla incelenebilir ve incelenebilir.Özü bir bölümleme problemidir.
Ortak bir proje başlattık, bu retina nöronu morfolojisini tanımlayarak netleştirebilir miyiz?
Neden zordur? Nerede zor? Esas olarak görüntüleme nedenlerinden dolayı bazen bağlantısı kesilecek ve bazen bağlanacaktır.
İlk başta geleneksel yöntemi denemek için bir yıl geçirdim, ancak etkisi iyi değildi.Daha sonra, doktora sonrası danışmanım, o zamanlar bu yöntemin kötü bir üne sahip olmasına rağmen, evrişimli sinir ağını denememiz gerektiğini söyledi. Biz de bu yöntemi uçtan uca eğitim için kullanmaya başladık. Bu yönteme artık derin öğrenme adı verilmektedir.
Nihai buluş nedir? Daha sonra resmi resimden detaylı bir yapıya dönüştürmenin sizin için zor olduğunu anladık.Geleneksel algoritma tasarımına bakarsanız, aslında onu ortadakine benzer bir resme dönüştürüyor ve sonra katmanlıyoruz. Bir katman soyulur Bu soyma işleminin derin öğrenme ile yapılması çok kolay değildir. Bu çok adımlı bir işlemdir, bu yüzden aslında uygun olmayan, zor olan bir şeyi yapmak için esas olarak derin öğrenmeyi kullanırız.
Aslında, gerçekten ihtiyacımız olan şey bu kırılma noktalarını birleştirmek, bu yüzden orijinal görüntüyü ikiye ayırıp tüm kırık noktaları manuel olarak birleştiriyoruz. Bu resim aslında orijinal resme çok benziyor. Bu nedenle, bir soru sormadan önce, derin öğrenmenin hangi konuda iyi olduğunu ve neyin iyi olmadığını anlamalısınız.
Üç, dikkat nöron ağı
1. Dikkat Nöron Ağı Araştırması
Tsinghua'ya döndükten sonra, 2014'te Microsoft Research'ten öğretmen Zhang Zheng ile çalıştım ve dikkat adlı bir sinir ağı önerdim. Genel olarak, nörobilimden esinlenerek, önceki nöron modelinin çok basit olduğunu düşünüyoruz. Nöron iki faktöre sahip olduğunu görebilir, iki faktörü çarpacaktır.Şimdi buna dikkat mekanizması deniyor.Şu anda bu tür algoritma derin öğrenmede yaygın olarak kullanılmaktadır.
2. Görüntü tahmini
İki öğrencimiz Akademisyen Zhang Bo'nun rehberliğinde.
Bu görüntüye dayanarak, bir yıl içindeki insidansı tahmin edin. Nasıl yapılır? İnsanların nasıl davrandığını dikkatlice düşünmelisiniz. İnsanlar önce şüpheli yerleri görecek.
İlk adım bu şüpheli yerleri bulmaktır Bulma sürecinde dikkat mekanizmasına benzer bir mekanizma kullanırız ve bu mekanizma iki grup girdiyi birleştirir. (Yukarıdaki resimde R)
Bu temelde, beş olası lezyon seçildi ve insidansı tahmin etmek için bunları entegre etmek için olasılık yöntemi kullanıldı. Bu olasılık yöntemi çok kritiktir ve aşırı uyum olasılığını azaltır.
3. Beyin benzeri bilgi işlem
Tsinghua'nın beyin benzeri bilgi işlem araştırma merkezi var.Amacımız disiplinler arası alanların merkezi olan genel yapay zekaya doğru yavaş yavaş ilerlemek.
4. Geleceğe bakış
1. Geleceğe yönelik
Tıbbi görüntüleme için yapay zekanın önemli olan birkaç yönü vardır:
Birincisi, tıbbi görüntülemenin gerçekten küçük bir veri sorunu olduğu ve milyonlarca veya on milyonlarca çevrimiçi resimler kadar büyük olamayacağıdır. Tıbbi görüntüleme binlerce veya on binlerce vakayı içerir, bu nedenle her resme değer vermek gerekir. Küçük verilere uygun algoritmalar aracılığıyla bu görüntülerin değerini artırın. Bu araştırmamızda çok önemli bir nokta.
İkincisi, yorumlanabilir makine öğrenimine duyulan ihtiyaçtır. Sadece bir kara kutu olması yeterli değil, ortada ne olduğunu bilmiyorum. Yukarıdaki akciğer kanseri örneğinde, önce olası lezyonları bulduk ve sonra doktor için faydalı olacak bazı özellikleri yargılayıp bulduk.
Üçüncüsü, çok modlu füzyon ihtiyacı ve muhtemelen genler, tıbbi kayıtlar vb. İle füzyondur.
2. Küçük örnek problem
Ek açıklamalara olan bağımlılığı azaltmak, tıbbi görüntüleme için önemlidir. Bir yıl önce bilimde yayınlandı, ne oldu? Meslekten olmayan terimlerle: İlk önce nasıl yazılacağı gibi bir kavramı öğrenebilir misiniz? Size bir çok şey vermek yerine onları takip ediyorsunuz ama önce yazma kavramını öğreniyorsunuz. Öğrendikten sonra size bir bakış gösterin ve o hemen öğrenecektir. Tıbbi görüntülemedeki görece küçük veri miktarı nedeniyle, gelecekte gerçekten kullanabileceğimiz şey şunun gibi bir şey olabilir: Örneğin, önce film izlemeyi öğrenirsiniz ve bir hastaneye vardıktan sonra size birkaç örnek gösterirsiniz ve muhtemelen bu türden bir şey öğrendiniz. , Bu daha gerçekçi.
3. Açıklanabilir makine öğrenimi
Diğeri yorumlanabilir makine öğrenimidir. Büyük bir problem nedeniyle: Makine öğrenimi bir kara kutuysa, ne öğrendiğini bilemezsiniz.
Yukarıdaki resim iyi bilinen bir örnektir: Derin öğrenmeyi kullanarak, soldaki resmi sağdaki resimle birleştirin ve soldaki resmi, sağdaki resmi çizin. O zaman sana soruyorum, bu nedir? Bazı insanların bunun bir yelkenli olduğunu söyleyebileceğine ve bunun bir leopar olduğunu asla söylemeyeceğine inanıyorum, ancak sinir ağı bunun bir leopar olduğunu ve bir tekne olma olasılığının sıfır olduğunu söylüyor. neden? Mevcut evrişimli ağda, aslında olasılık dağılımı ve dokusu ile daha çok ilgileniyor.
Nasıl yapılır? Biraz Go oynadığımız gibi, sezgisel olmalısın. Bazı temel işlevler nasıl tespit edilir, bu derin öğrenme size yardımcı olabilir. Aynı zamanda, olasılığa dayalı bir muhakeme sürecine sahip olmanız gerekir. Bu, tıpkı insanların düşündüğü gibi tam bir sistemdir.
4. Polimorfik füzyon ve karmaşık karar verme
Son olarak, daha ilginç olan şey, çok-modlu füzyona ve karmaşık karar almaya ihtiyacımız olmasıdır. Ayrıca biraz umut görüyorum.Yakın tarihli bir makale, elektronik tıbbi kayıtları karşılaştırarak kalp krizlerini daha iyi tahmin etmek için makine öğrenme yöntemlerini kullanıyor. Bu nedenle, gelecekte, çeşitli görüntüleme modlarını elektronik tıbbi kayıtlarla entegre etme yollarımız var.
5. Donanım Hızlandırma ve Tsinghua Beyin Hesaplama Araştırma Merkezi
Donanım hızlandırma da çok önemlidir Tsinghua Beyinden Esinlenen Bilgi İşlem Merkezi, bir dizi çözümü olan Akademisyen Zhang Bo da dahil olmak üzere birçok araştırmaya sahiptir. Algoritmalardan donanıma kadar herkesle işbirliği yapmayı umuyoruz.
Sahne arkası cevap anahtar kelimeleri "Tsinghua Büyük Veri" , PPT'nin tam sürümünü indirin.
Daha heyecan verici kuru ürün içeriği için lütfen Tsinghua-Qingdao Veri Bilimi Enstitüsü "Datapai THU" nun resmi kamu platformunu araştırın ve takip edin