健培科技CEO程国华:大数据与深度学习技术在影像分析中的应用

整理:赵成龙 2016-10-24 09:45 智能硬件 来源:思达派 查看原文

打造.png

大数据时代,深度学习技术得以应用于医疗领域解决许多医疗需求,但影像诊断仍然是一块难啃的骨头,在临床上又处在极其重要的位置。在2016《西湖论健》的分享中,健培科技CEO程国华先生将为我们分享他们所作的努力和取得的成果。

整理:赵成龙

程国华.jpg

健培科技CEO程国华先生

我们有幸生在一个大数据时代,它所带来的变革使我们得以将完全不同的深度学习技术应用于医疗领域。我们的影像智能诊断机器人Healthview1.0就是利用这样的技术,能够判断出医生无法准确判断的疾病。

深度学习技术的兴起

深度学习技术是近几年才兴起的,并且在一些需要人力介入的复杂工作已经可以逐步被机器人取代,比如智能翻译、智能驾驶甚至无人驾驶、人脸识别等。但是医学影像对人脸识别的精度要求非常高,目前的技术对医学影像来说还是非常初级的,无法满足要求。

深度学习技术之所以这几年才出现,是因为它需要大数据来驱动,同时需要高性能的计算。因此,我们公司由深度学习技术组和高性能计算组两个部门组成,才能实现机器人的识别,因为如果没有计算能力,也无法达到深度学习。它的优势不仅仅在于组合浅层特征,更是一个深层特征的提取,拥有上下文信息处理的自我学习能力。

聚焦医学影像组合产品的原因

在医疗大数据里面,最难攻克的是影像。

世界上已有的一些研究发现表明深度学习技术在医疗领域的应用已经有突破,比如MIT跟Harvard做的研究在乳腺癌中的确诊率是99.6%,远远超过了人类判断。

而我们国内没有这方面的突破,原因主要在于受国内的产业环境所限,数据与数据之间是隔离的,没有很好的大数据基础,同时深度学习技术是在近几年才出现的。

另外,我国放射科医生工作强度大,水平参差不齐且误诊率高,亟待提高精准度和降低劳动强度,同时医学影像大数据分析在国内刚刚起步,而国外技术已经用于临床,如果使用国外同类产品,国内医疗数据安全将受到威胁,因此开发拥有自主知识产权的影像技术势在必行。

海量医学影像的分析利用是医疗大数据应用的关键

今年发布的47号文要求在2020年建成100个区域医疗大数据的市场中心,真正实现医疗大数据投入应用,而医疗大数据关键核心是影像大数据。目前,医院里85%左右的存储容量被影像所占据。我们现在计算机可以识别结构化的文本数据,但是无法识别非结构化的影像数据,因此我们原来的技术就无法应用,就成了不能真正实现智能诊断的拦路虎,这是我们必须要攻克的难题。

Healthview智能诊断平台架构

Healthview机器人系统由两部分组成,一个是加速器,即硬件平台,还有一个就是软件平台,即深度学习的体系,与业界普遍采用的二维体系不同,我们创新性地利用了全连接的三维体系。三维体系所要求的资源是一个几何级的增长,越深入学习越准确,但同时也越难把握。目前我们现在已经做到了64层,而业界普遍只能做到32层,这就是我们的优势,即真正的3D卷积神经网络,也不需要预处理,输入的就是影像,出来就是结果。在这样的情况下,我们可以做到像素级的学习,他的诊断效率比我们的肉眼高出好多倍。

深度学习这么深的层组对资源的消耗非常多,因此我们在硬件之上提出一个逻辑域的概念,在神经网的域当中,域与域之间尽量减少参数的传递和同步,可以让服务器集群进行非常有效的深入学习的分析,有效地提高了效率。我们能把二维进行三维的分割,进行深入学习的处理,对疾病进行定量定位的分析,这些都是机器人具备的先天性的优势,而且非常快速和客观。

在国际挑战赛中获得第二名的成绩

机器人在迅速对疾病进行定量和定位时具备先天性的优势,而且结果非常客观。以肺结节为例,它有可能是肺癌的前期,属于高危病变。在肺部的影像诊断中,肺结节是最难诊断的疾病之一。针对机器人攻克肺结节诊断,有个世界性的“挑战大赛”,即世界肺结节检测挑战大赛

图片1.png在今年最新的世界肺结节检测挑战大赛(LUNA2016)中,Healthview机器人系统排名第二(https://grand-challenge.org/site/luna16/)。

图片2.png下图为前六名的诊断曲线(国际上共有357个团队参赛):

图片3.png本文由火石记者根据2016《西湖论健》上嘉宾演讲内容整理而成,已与嘉宾确认,个中观点不代表火石立场

注:Healthview机器人系统诊断肺结节演示视频链接(https://mp.weixin.qq.com/cgi-bin/appmsg?t=media/appmsg_edit&action=edit& title="1477273436593537.png" alt="二维码.png"/>

为您推荐: