14 tıbbi yapay zeka uzmanı bir araya geldi ve "Yeni Nesil Yapay Zeka Akademisyenleri Zirvesi Forumu" başarıyla sona erdi
18 Aralık 2018 tarihinde Pengcheng Laboratuvarı ve Yeni Nesil Yapay Zeka Endüstrisi Teknolojileri İnovasyon Stratejik İttifakı işbirliğiyle düzenlenen "Yeni Nesil Yapay Zeka Akademisyen Zirvesi Forumu" ikinci gününe devam etti.
"Head Goose" Bulutları Aşan Bulut Beynini Aydınlatıcı Bilgelik "temasıyla bu forum, yerli üst düzey teknoloji şirketlerinin çok sayıda akademisyen ve teknik liderini bir araya getirerek izleyicilere yapay zeka düşünce şöleni sundu.
Forumun düzenleyicilerinden biri olan Shenzhen Eyalet Siber Uzay Bilimi ve Teknolojisi Laboratuvarı olarak da bilinen Pengcheng Laboratuvarı, 22 Aralık 2017'de lisans aldı ve 31 Mart 2018'de resmi olarak faaliyete geçti. Şu anda Pengcheng Lab, ağ iletişimi, yapay zeka ve ağ güvenliği için üç araştırma yönüne ve ağ iletişimi, yapay zeka, ağ güvenliği, robotik ve kuantum hesaplama için beş araştırma merkezine sahiptir. Aynı zamanda birçok akademisyen laboratuvar akademisyen stüdyosuna yerleşti.
Bir başka sponsor, yeni nesil yapay zeka endüstrisi teknoloji inovasyonu stratejik ittifakı 23 Temmuz 2017'de kuruldu. İttifakın sponsor üye birimleri arasında Baidu, Alibaba, Tencent ve Huawei gibi bir düzineden fazla tanınmış şirket yer alıyor. Çin Mühendislik Akademisi'nden akademisyen Pan Yunhe, ittifakın onursal başkanı ve uzmanlar komitesinin direktörü, Akademisyen Gao Wen ittifakın başkanı ve Pekin Üniversitesi Bilgisayar Bilimi ve Teknolojisi Bölümü direktörü Profesör Huang Tiejun, ittifakın genel sekreteridir.
Bu forumun gündemi iki güne bölündü. 17'nci ana forumdaki yüksek katlı bina ve beyin fırtınasının ardından, 18'inci tıbbi özel forum endüstri senaryolarına odaklandı.Tıbbi yapay zeka alanında bir düzineden fazla uzman, olay yerinin klinik ihtiyaçlarını yakından takip etti. Yüzlerce profesyonel dinleyici çok aydınlatıcı bir paylaşım getirdi.
Profesör Tian Yonghong, Profesör ve Doktora Danışmanı, Bilgi Bilimi ve Teknolojisi Okulu, Pekin Üniversitesi
Forumun başında, Pekin Üniversitesi Bilgi Bilimi ve Teknolojisi Okulu profesörü ve doktora danışmanı Profesör Tian Yonghong bir açılış konuşması yaptı. Profesör Tian, Çin nüfusunun hızlanan yaşlanması, kronik hastalıkların hızlı büyümesi, Çin'deki tıbbi kaynakların arz ve talebinin uzun vadeli dengesizliği ve eşit olmayan coğrafi dağılımla birlikte, insanların tıbbi yapay zeka talebinin her geçen gün arttığını belirtti. Bu bağlamda akıllı tıp, geleneksel tıbbın tüm yönlerine yavaş yavaş girmiş ve akıllı teşhis, hastalık risk yönetimi, sesli elektronik tıbbi kayıtlar, görüntü destekli teşhis, tıbbi robotlar, ilaç madenciliği ve klinik araştırmalar gibi birçok dikey alanda uygulanmıştır.
Son olarak, Profesör Tian da beklentilerini dile getirdi - Umarım bu forum daha fazla endüstri sesi toplar ve Çin'deki akıllı tıp endüstrisinin gelişimini ortaklaşa desteklemek için herkesin el ele vermesine izin verir.
Pengcheng Laboratuvarı Akıllı Tıp Projesi Başkanı Profesör Liu Ting
Daha sonra, Pengcheng Laboratuvarı'nın akıllı tıp projesi başkanı Profesör Liu Ting bir konuşma yaptı ve Pengcheng Laboratuvarı'nın akıllı tıbbi projesinin detaylarını izleyicilere tanıttı. Profesör Liu Ting, Pengcheng Laboratuvarı Yapay Zeka Araştırma Merkezi'nin bulut beyin açık kaynaklı yazılım ve donanım platformu, akıllı ulaşım ve akıllı tıbbi bakım olmak üzere üç ana konuya sahip olduğunu tanıttı.
Bunlar arasında, akıllı tıbbi konu dört alt başlığa ayrılmıştır: 1. Harbin Teknoloji Enstitüsü'nden Profesör Zhao Debin liderliğindeki genetik verilerin sıkıştırılması ve analizi; 2. Pekin Üniversitesi'nden Profesör Wang Yizhou liderliğindeki tıbbi görüntülerin analizi ve yardımcı teşhisi; 3. Tıbbi bilgi Grafik spektrumu ve doğal dil işleme, Profesör Liu Ting'in kendisinden sorumludur; Dördüncü, esas olarak ilk üç alt konuyu entegre eden akıllı tıbbi uygulama platformu, Hunan Üniversitesi'nden Profesör Peng Shaoliang'dan sorumludur.
Şu anda Pengcheng Laboratuvarı, akıllı tıbbın dört alt projesinin tamamında iyi sonuçlar elde etti. Profesör Liu Ting, gelecekte Pengcheng Laboratuvarı'nın Çinliler için bir kamu refahı, açık akıllı yardımcı tanı ve tedavi platformu oluşturmak için çok çalışmaya devam edeceğini, yardımcı olmak için genleri, görüntüleri, metinleri, bilgi haritalarını ve diğer medyayı entegre edeceğini söyledi. Doktorlar daha iyi teşhis ve tedavi uygular.
Merkez Sağlık Komisyonu uzmanı Liu Rong
Sahnedeki ikinci kişi, "Akıllı Tıbbın Fırsatları ve Zorlukları" konusunda harika bir paylaşım yapan Merkez Sağlık Komisyonu'ndan bir uzman olan Direktör Liu Rong'du.
Konuşmanın başında Yönetmen Liu Rong, akıllı tıp kavramının doğru bir tanımını verdi: akıllı tıp, yani yapay zeka araçlarının ve insan tıbbı davranış bilimine yardımcı olmak veya bunun yerini almak için yöntemlerin kullanılması, standartlaştırılmış tıbbi davranış ve bireyselleştirilmiş Tıbbi tasarım.
Yönetmen Liu Rong, ses tanıma, görüntü tanıma, video tanıma ve akıllı navigasyon gibi yeni teknolojilerin ortaya çıkmasının tıbbi görüntüleme destekli tanı, çok modlu görüntü füzyonu ve üç boyutlu yeniden yapılandırmayı daha verimli hale getirdiğini açıkladı. Bunlar arasında, üç boyutlu rekonstrüksiyon, önemli bir güncel araştırma noktasıdır ve cerrahi navigasyon teknolojisinin temelidir. Mükemmel bir cerrahi navigasyon sistemi, doktorların ameliyatın zorluğunu azaltmasına, ameliyat kalitesini artırmasına ve yeni doktorların eğitimine yardımcı olabilir.
Direktör Liu Rong ayrıca mevcut cerrahi navigasyonun hala birçok zorlukla karşı karşıya olduğuna dikkat çekti. Cerrahi navigasyon iki kategoriye ayrılır: sert organ cerrahi navigasyonu ve yumuşak organ cerrahi navigasyonu. Bunlar arasında, yumuşak organlar deformasyona ve yer değiştirmeye meyillidir, bu da cerrahi navigasyon için büyük bir zorluk teşkil etmektedir.Yönetmen Liu Rong, bu alanda çok çaba ve araştırma yapmış ve iyi sonuçlar elde etmiştir. Yönetmen Liu Rong, gelecekteki teknolojik atılımların cerrahi robotlar + akıllı navigasyon + otomatik kontrol ile ameliyatı gerçekleştirebileceğini umduğunu ifade etti. "Bir cerrah 30 ameliyatı kontrol edebilir." Ancak bu vizyonu gerçekleştirmek için veri paylaşımı ciddi bir zorluk olmaya devam ediyor.
Shenrui Medical Baş Bilimcisi Profesör Yu Yizhou
Hemen ardından, Shenrui Medical'ın baş bilim adamı Profesör Yu Yizhou, "Tıbbi Görüntüleme Alanında Yapay Zeka Uygulaması ve Beklentileri" üzerine bir açılış konuşması yaptı.
Profesör Yu, modern tıbbın tanı için giderek tıbbi görüntüleme bilgilerine dayandığını ve klinik sorunların% 80'inin doğru teşhis sonuçları elde etmek için görüntüleme incelemeleri gerektirdiğini söyledi. Tıbbi görüntü formatlarının standardizasyonu, özellikle yapay zeka teknolojisinin tanıtımı için uygundur, bu nedenle tıp ve yapay zeka kombinasyonu, güncel bir sıcak araştırma yönü haline gelmiştir.
Son teknoloji bir şirket olarak Sunray Medical, tıbbi görüntü analizinde birçok keşif gerçekleştirmiştir. Profesör Yu, Shenrui Medical'in şu anda iki tür ana hastalığın yardımcı teşhisine kendini adamış olduğunu söyledi: biri kanserin taranması, analizi ve sınıflandırılması; diğeri, felç gibi acil servis sahnesinde hızlı teşhis gerektiren hastalıkların yardımcı teşhisi.
Konuşmanın sonunda Profesör Yu, Shenrui Medical'ın Hong Kong Üniversitesi ve Sun Yat-sen Üniversitesi ile yeni, yerel olmayan bir bağlam kodlama ağı aracılığıyla tıbbi görüntü segmentasyon algoritmalarının sağlamlığını geliştirmek için yaptığı işbirliğinin en son araştırma sonucunu da açıkladı. Bu sonucun, kodlayıcı tasarlanırken göz önünde bulundurulması gereken iki husus vardır: biri genel alaka düzeyi, diğeri ise genel bağlam. Küresel alaka açısından, her piksel özellik vektörünü aynı görüntüdeki diğer tüm bilinmeyen özellik vektörleriyle ilişkilendirerek, yüksek korelasyonlu pikseller, özellik vektörünün parazit kaldırılmış sürümünü elde etmek için birleştirilebilir ve ardından kaldırılabilir. Gürültüden sonraki özellik vektörünün sürümü, geliştirilmiş bir özellik haritası elde etmek için orijinal özellik haritasına eklenir. Özellik haritasının bu gelişmiş sürümü gürültüye, özellikle kötü niyetli gürültüye karşı koyabilir.
Öte yandan, tıbbi görüntüler nispeten açık bir yapıya sahiptir, çünkü insan organlarının göreceli pozisyonları nispeten açıktır ve bu net yapı bilgisi, küresel bağlam kodları oluşturmak için kullanılabilir.
Profesör Rodrigo Quian Quiroga, Leicester Üniversitesi Sistem Nörobilim Merkezi Direktörü
Dördüncü konuşmacı, Leicester Üniversitesi Sistem Nörobilim Merkezi Direktörü Profesör Rodrigo Quian Quiroga idi ve dinleyicilere "bizi neyin insan yaptığına" dair bir açılış konuşması yaptı.
Profesör Rodrigo Quian Quiroga, birkaç klasik bilim kurgu filminden ustaca bir şekilde ayrılıyor ve insanlar, hayvanlar ve makineler arasındaki farklı düşünme biçimlerini araştırıyor ve yapay zekanın araştırma yönü için birçok ilham kaynağı sunuyor.
Araştırmacı Liu Xin, Müdür Yardımcısı, Biyomedikal ve Sağlık Mühendisliği Enstitüsü, Shenzhen İleri Teknoloji Enstitüsü, Çin Bilimler Akademisi
Ardından, Çin Bilimler Akademisi Shenzhen İleri Teknoloji Enstitüsü Biyomedikal ve Sağlık Mühendisliği Enstitüsü müdür yardımcısı Liu Xin, beşinci konuk konuşmacı olarak "Aterosklerotik Plak Tespiti ve İnme Akıllı Teşhisi" başlıklı harika bir rapor sundu.
Liu Xin Araştırma Enstitüsü'ne göre, aterosklerotik plak rüptürü ve tromboz inmenin ana nedenleridir ve intrakraniyal aterosklerotik plak% 47'dir. Şu anda manyetik rezonans vasküler duvar görüntülemesi intrakraniyal aterosklerotik plakları saptamak için tek yöntemdir ve ayrıca diğer lokasyonlarda aterosklerotik plakların saptanmasında da önemli avantajlara sahiptir.
Bununla birlikte, bu teknoloji klinik uygulamada birçok zorlukla karşı karşıyadır: Birincisi, mevcut MRI teknolojisinin görüntülenmesi çok uzun sürüyor ve 10 dakikadan daha uzun bir sürede hareketin neden olduğu artefaktlar üretecek; ikincisi, hassas plağın yapısı karmaşık. Güvenlik açığını nicel olarak yargılamak zordur; Son olarak, büyük miktarda plak görüntüsü verisi okumayı zorlaştırır.
Araştırmacı Liu Xin, bu sorunları çözmek için hızlı görüntüleme yöntemleri, hızlı yüzey rekonstrüksiyonu ve plakların akıllı teşhisi konusunda çok sayıda araştırma yaptı. Tıbbi yüksek performanslı baş ve boyun kombine kan damarı sarmalı, yeni görüntüleme algoritmaları ve nabız dizisi tasarımının yanı sıra yetersiz örnekleme hızlı görüntüleme yöntemlerini kullanan donanıma dayanıyor, Liu Xin'in ekibi 5 dakikadan daha az tam serebral kan damarı duvarı görüntülemesi gerçekleştirdi. Aynı zamanda, siyah kan ve parlak kan görüntülerinin füzyonu ve yerel histogramın optimal yol seçimi yoluyla hızlı ve doğru yüzey rekonstrüksiyonu gerçekleştirilir. CNN tabanlı karotis arter ayırma modeline dayanan akıllı plak teşhisi açısından, karotis aterosklerotik plağın otomatik teşhisinin doğruluğu% 85.18'e çıkarılmıştır.
Konuşmanın sonunda Liu Xin Araştırma Enstitüsü, tıbbi görüntüleme destekli yapay zeka tanısının temelinin yüksek kaliteli görüntüler olduğu sonucuna vardı. Bu nedenle, aterosklerotik plakların akıllı teşhisinin tüm görüntüleme, yeniden yapılandırma ve teşhis zincirini kapsaması gerekir. Aynı zamanda, ilgili veri toplama ve Standardı işaretleyin.
Dr. Liu Xin, BGI Yaşam Bilimleri Enstitüsü Genel Müdür Yardımcısı
Sabahki son konuşma, "Genomikte Büyük Verinin Analizi ve Uygulaması" temasına harika bir paylaşım getiren BGI Yaşam Bilimleri Enstitüsü Başkan Yardımcısı Dr. Xin Liu oldu.
Konuşmanın başında Dr. Liu Xin, genomik büyük verinin içeriği ve analiz yöntemlerine kısa bir giriş yaptı. Dr. Liu Xin, genomik büyük veri ve yapay zeka arasında birçok kesişim olduğunu açıkladı. Birincisi, yapay zekadaki görüntü tanıma teknolojisi, gen dizileme, gerçek zamanlı hesaplama ve gen replikasyonu sırasında biyokimyasal reaksiyonlar tarafından üretilen floresansın analizine uygulanabilir. İkinci olarak, genomik verilerin diğer verilerle entegrasyonu, oftalmoloji, akciğer kanseri ve meme kanseri gibi hastalıkların akıllıca teşhisine de yardımcı olabilir.
Son olarak, Dr. Liu Xin, genomikte büyük verinin iki pratik uygulama vakasını ayrıntılı olarak tanıttı: ilki, tek gen hastalıklarının incelenmesi. Genler ve hastalıklar arasındaki ilişkiyi bulmak ve genetik karşılaştırmalar yapmak, genetik kusurları olan ancak hayatta kalan hastaları belirlemek, genetik kusurlarla savaşmaya yardımcı olmak için mekanizmalarını incelemek ve genetik hastalıkları tedavi etmenin yollarını bulmak için genomik verilerini kullanın.
İkincisi, Çin popülasyonu taban çizgisi ve hedeflenen genetik ilaçlar üzerine araştırma yapmak için, invazif olmayan prenatal genetik tanı tarafından toplanan genomik büyük verileri kullanmaktır.
Hunan Üniversitesi Profesörü ve Pengcheng Laboratuvarı Akıllı Tıp Alt Projesi Başkanı Profesör Shaoliang Peng
Öğleden sonra, Hunan Üniversitesi profesörü ve Pengcheng Laboratuvarı'nın akıllı tıp alt projesinin başkanı Profesör Shaoliang Peng, "Süper hesaplama tabanlı Yapay Zeka Medikal ve Blok Zinciri Teknolojisi" başlıklı bir açılış konuşmasıyla atmosferi yeniden canlandırdı.
Profesör Peng Shaoliang'ın ekibi, yapay zeka, süper hesaplama, tıbbi büyük veri ve blockchain'in en son bilgi işlem teknolojisini tıbbi sürece entegre etmeyi ve ön tanı, tanı koyma ve teşhis sonrası üç aşamadan tanı ve tedavinin etkinliğini ve doğruluğunu kapsamlı bir şekilde geliştirmeyi umuyor.
Ön teşhis aşamasında Profesör Peng'in ekibi sağlık kontrol robotları, kayıt robotları, triyaj ve rehberlik robotları, genel muayenehane robotları vb. Ürünler yaptı. Teşhis sırasında hastalıklar için 36 çeşit yardımcı teşhis ve tedavi robotu yaptı, teşhisin ardından bir oda muayene robotu fırlattı. Ve diğer ürünler.
Profesör Peng, hastalık teşhisi, iyileştirici etki değerlendirmesi ve tedavi sonrası tahminden her Çinli için tam bir dijital yaşam döngüsü sağlık yönetimi sistemi kurmayı umduğunu söyledi.Doğumdan ölüme, karbon temelli yaşamdan dijital teknolojiye, insan dijital yaşamının gerçekleşmesine kadar İnternette sonsuza kadar yaşayabilirsin. Paralel veriler, omik veriler, geçmiş tıbbi geçmiş verileri ve aile tıbbi geçmiş verilerini içeren çok boyutlu verileri topladı. Sağlık ve tıp konularının, hastalıkların önlenmesi, kişiselleştirilmiş teşhis ve tedavi, beslenme bakımı ve sağlık yönetimi için eksiksiz bir çözüm seti sağlamak için çok boyutlu verilerin entegrasyonunu gerektiren çok boyutlu ve çok karmaşık konular olduğunu söyledi.
Son olarak Profesör Peng Shaoliang, blok zinciri teknolojisi üzerine araştırma sonuçlarını da tanıttı. Bunların arasında, Şanghay Jiaotong Üniversitesi'nden Profesör Long ile işbirliği yaptığı tıbbi blok zinciri, hastanelerin, işletmelerin ve diğer tarafların veri paylaşımını gerçekten gerçekleştirmelerine yardımcı olmak için akıllı kontrol sözleşmelerini kullanıyor.
Sun Zhongqian, Kıdemli Araştırmacı, Tencent AI Lab
Öğleden sonra harika bir konuşma yapan ikinci kişi, Tencent AI Lab'da kıdemli araştırmacı olan Sun Zhongqian'dı ve paylaştığı konu "Sindirim Endoskopi Taramasında Tencent AI'nın Araştırma ve Uygulaması" idi.
Araştırmacı Zhongqian Sun, sindirim endoskopi taramasında Tencent AI Laboratuarının araştırmasını ve keşfini tanıtmak için yemek borusu kanseri taramasını örnek olarak aldı. Sun Zhongqian, Tencent AI Lab'in özofagus kanseri tarama projesinde çeşitli zorluklarla karşılaştığını duyurdu: Birincisi, veri miktarı küçüktü ve zayıf model sağlamlığına neden oluyordu; İkincisi, veri etiketlemenin tutarlılığı düşüktü; Üçüncüsü, ürün birçok hastaneye indi Bununla birlikte, modelin genelleme yeteneği nispeten zayıftır.
Bu sorunları çözmek için Tencent AI Lab birçok çaba sarf etti. Öncelikle, yanlış negatif sorununu çözmek için Zhongqian Sun'ın ekibi, ağdan özelliklerin çıkarılması sürecine kısıtlamalar getirdi. Bu kısıtlama lezyon görüntüleri için etkili değildir ve normal görüntüler için çeşitli boyutlardaki özellik vektörlerinin karelerinin toplamıdır. Bu şekilde, çıkarılan normal görüntü özellikleri olabildiğince bastırılır ve gürültünün neden olduğu yanlış yargı hafifletilir. Öte yandan, yanlış pozitif problemini çözmek için araştırmacı Sun Zhongqian ekibi, eğitim için doğal görüntüleri ve tıbbi görüntüleri bir araya getiriyor ve normal tıbbi görüntüleri sınıflandırıyor Doğal görüntüler için, her bir kategoriye ayrılma olasılığı olabildiğince eşittir. Bu yöntem, modelin doğruluğunu% 15 artırır.
İkinci olarak, düşük veri etiketleme tutarlılığı sorununu çözmek için. Sun Zhongqian'ın ekibi, çok adımlı yinelemeli bir yaklaşım benimsedi: önce temel bir sınıflandırma modeli elde etmek için beş kişinin tutarlı verileriyle eğitim verin ve ardından ikinci eğitim turu olarak dört kişinin tutarlı verilerini kullanın. Eğitimin ikinci turunda, bir yandan, doktor tarafından işaretlenen sonuçlar dikkate alınmalı ve bir önceki model öğrenme turunun tahmin sonuçları da dikkate alınmalıdır, böylece önceki model öğrenme turunun deneyimi de bir sonraki model öğrenme aşamasına getirilir. Benzetme yoluyla, modele üç hatta bir kişiyle tutarlı veriler eklemek de mümkündür. Bu sadece tüm verileri kullanmakla kalmaz, aynı zamanda modelin sağlamlığına da büyük ölçüde yardımcı olur.
Son olarak, modelin genelleme yeteneğini geliştirmek için Sun Zhongqian'ın ekibi, hastaneler arasındaki farklılıkları bastırmak için etiketlenmemiş verileri benimsedi. Spesifik yöntem, iki hastanenin etiketlenmemiş verilerini elde etmek ve aynı anda ağdan geçmelerine izin vermektir, böylece ağ, belirli bir özelliğin hangi hastaneden geldiğini ayırt edemez. Bu şekilde, model daha büyük bir performans iyileştirmesine sahiptir.
Sun Zhongqian'ın ekibi ayrıca yemek borusu kanseri taramasının bilgi ve verilerini mide kanseri taramasına taşıdı ve bu da dikkate değer sonuçlar elde etti.
Profesör Ji Rongrong, Xiamen Üniversitesi
Üçüncü konuk konuşmacı Xiamen Üniversitesi'nden Profesör Ji Rongrong'du ve paylaştığı konu "Yüksek Güven ve Akıllı Kardiyovasküler ve Serebrovasküler Tanı ve Tedavi Teorileri ve Anahtar Teknolojileri" idi.
Profesör Ji Rongrong'un araştırmasının ana içeriği, çok modlu ve yüksek boyutlu verilerin çeşitli cihazlar arasında yüksek bir hızda birbirlerine aktarılabilmeleri için verimli bir şekilde nasıl sıkıştırılacağı ve böylece çeşitli hastaneler arasındaki veri bariyerini nasıl açacağıdır. Ana fikir üç adıma bölünmüştür: Birincisi, hastaneden bilgi toplamak; İkincisi, tıbbi büyük verilerin bilgi temsilini incelemek ve çok sayıda heterojen tıbbi bilginin akıllı ekstraksiyon mekanizmasını keşfetmek; Üçüncüsü, insan-makine işbirliğine dayalı bir teşhis ve tedavi modeli oluşturmak.
Profesör Ji'nin projesinin 2017'de başlatılmasından bu yana, 20'den fazla üçüncü basamak hastane ve bunlara bağlı klinikler katılmaya ikna edildi ve 600'den fazla kardiyovasküler ve serebrovasküler tanı ve tedavi ekipmanı bir ağa bağlandı. Veriler geldikten sonra, sistem doktorun referansı için otomatik olarak bir ilk tanı koyacaktır.
Bununla birlikte, ortada bazı problemler var: Birincisi, ilk teşhisin kalitesinin yüksek olmaması; diğeri, veri ölçeğinin son derece büyük olması ve bu da veri sıkıştırması için büyük bir zorluk teşkil ediyor.
Profesör Ruan Tong, Doğu Çin Bilim ve Teknoloji Üniversitesi
Doğu Çin Bilim ve Teknoloji Üniversitesi'nden Profesör Ruan Tong'un dördüncü konuk konuşmacısı "Bilgi Grafiği ve Elektronik Tıbbi Kayıtlara Dayalı Klinik Araştırma ve Yapay Zeka Araştırması".
Profesör Ruan Tong konuşmasında, veri paylaşımı gibi elektronik tıbbi kayıtların karşılaştığı bazı ikilemlerden bahsetti. Veriler bir varlık haline geldiğinden, herkes gizlilik ihtiyaçları nedeniyle değil, tüm tarafların veriye katkı değerini tanımlamak zor olduğu için verileri paylaşmak konusunda isteksizdir. Bu, bir dizi fayda paylaşım mekanizması geliştirmek için algoritmaların kullanılmasını gerektirir.
Ek olarak, metin yapılandırma bir dizi standardın oluşturulmasını gerektirir. Ancak doktorların çalışma alışkanlıkları her duruma duruma göre bakar, düzenlemeleri formüle etmeleri çok acı verici ama gerekli bir şeydir. Bir fikir birliğine nasıl ulaşılacağı, endüstrinin çözmesi gereken bir sonraki sorundur.
Önceki yaklaşım kural sistemine dayanmaktadır: Derin öğrenme teknolojisinin kullanımı departman sorunlarını önleyebilir, ancak aynı zamanda yeni gereksinimler de ortaya çıkaracaktır. Birincisi, veri kalitesi standartlarının formülasyonudur. Profesör Ruan Tong bu alanda bazı çalışmalar yaptı.
Ancak genel olarak, bu alandaki geliştirme için hala çok yer var.
Doçent Li Shuaicheng, Hong Kong Şehir Üniversitesi
Öğleden sonraki beşinci konuk konuşmacı, Hong Kong Şehir Üniversitesi'nden Doç. Dr. Li Shuaicheng, "Adli Tıp Alanında İkinci Nesil Dizileme Uygulaması" başlıklı harika bir paylaşım gerçekleştirdi.
Doçent Li Shuaicheng, son birkaç yılda, büyük miktarda genetik veri oluşturulması ve gen dizileme teknolojisinin maliyetindeki düşüşle birlikte, bu teknolojinin adli tıp alanında da yaygın olarak kullanıldığını söyledi. Spesifik olarak, genetik veriler, suç olaylarında suçluların tanımlanması veya büyük bir felaketten sonra kalıntıların tanımlanması için kullanılabilir.
Doçent Li Shuaicheng, adli tıp araştırmalarının tüm DNA dizilerini değil, yalnızca küçük parçaları gerektirdiğini söyledi. Ancak FBI tarafından duyurulan 15 gen sitesi Çinliler için uygun değil ve birçok adaletsiz, yanlış ve yanlış vakaya neden oluyor. Bu amaçla, Doçent Li Shuaicheng, daha düşük fiyat ve daha büyük veri hacmi ile ikinci nesil dizileme teknolojisini kullanarak bir grup Çinli insanın kendi konumunu bulmayı umuyor.
Doçent Li Shuaicheng, ikinci nesil dizileme teknolojisinin daha önce çözülemeyen bazı sorunları çözdüğünü açıkladı. Örneğin, birinci nesil dizileme, büyükanne ve büyükbabalar ile amcalar ve yeğenler arasında ayrım yapamaz, ancak ikinci nesil dizileme onları çok net bir şekilde ayırt edebilir.
Aynı zamanda, gen sıralama teknolojisi daha güçlü hale geldikçe, genetik verilerin güvenliğinin giderek daha şiddetli hale geldiğine ve bunun endüstri için büyük bir zorluk olduğuna dikkat çekti.
Doçent Ma Ting, Harbin Teknoloji Enstitüsü (Shenzhen)
Harbin Teknoloji Enstitüsü'nden (Shenzhen) Doçent Doktor Ma Ting'in paylaştığı forumun finali "Beyin Hastalıklarında Tıbbi Görüntüleme Yapay Zekasının Klinik Dönüşümünün Keşfi" idi.
Doçent Ma Ting, iki beyin hastalığı olan Parkinson hastalığı ve Alzheimer hastalığının Çin'de giderek daha yaygın hale geldiğini ve büyük ilgi gerektirdiğini söyledi.
Doçent Ma Ting'in araştırma yönlerinden biri, bu iki hastalığın biyolojik hedeflerinin görüntüleme yoluyla nasıl bulunacağıdır. Makine öğrenimi veya diğer özellik madenciliği yöntemleri kullanılsın, sonuçların doktorlar tarafından yorumlanabilir olması gerektiğini söyledi. Bu nedenle, öncelikle beyin görüntüsünün anatomik konumlandırmasını yapmalıyız. İki önemli çekirdek nokta vardır: biri farklı beyin bölgelerinin doğru bir şekilde konumlandırılıp yerleştirilemeyeceğidir; diğeri, boyutun analiz yoluyla küçültülebilir olup olmadığıdır ki bu veri sıkıştırma ve depolama için daha uygundur.
Doçent Ma Ting, bilgi grafiklerine dayalı beyin bölümleme teknolojisini kullanır.Bu yöntem, daha fazla bilgi elde etmek için herhangi bir hedef görüntüyü yapılandırılmış verinin iki yüzden fazla boyutuyla eşleştirebilir. Aynı zamanda, boyut 100 megabayttan büyük bir gruptan düzinelerce megabayta indirilerek hesaplama hızı artırılabilir.
Pengcheng Laboratuvarı Yapay Zeka Merkezi Direktörü, Profesör Li Ge, Peking Üniversitesi
Son olarak, Pengcheng Laboratuvarı Yapay Zeka Merkezi direktörü ve Peking Üniversitesi'nden Profesör Li Ge, foruma başarılı bir sonuç getiren harika bir kapanış konuşması yaptı. Profesör Li Ge, tıbbi yapay zeka alanında hala birçok zorluk olduğunu söyledi.Tıbbi görüntüleme, bilgi grafikleri, genomik ve diğer yönler, araştırmacılara geliştirme için çok alan sağlayan gerçek uygulamadan hala uzak. Hayatın her kesiminden insanların endüstri sorunlarının üstesinden gelmek ve Çin'in akıllı sağlık hizmetlerinin iyileştirilmesine olumlu katkılar yapmak için Pengcheng Laboratuvarı ile aktif olarak işbirliği yapacağını umuyor. Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı
