對于許多技術(shù)驅(qū)動型的行業(yè)，技術(shù)的不斷突破是它們必要的生存條件。然而另一些領(lǐng)域卻因為監(jiān)管等限制，更偏向于沿襲傳統(tǒng)做法。醫(yī)療領(lǐng)域就屬于后者。盡管精準(zhǔn)醫(yī)療計劃的推行、當(dāng)代的移動醫(yī)療的浪潮為行業(yè)帶來了極大進展，但醫(yī)療作為國家經(jīng)濟的一個重要組成部分，還是在各種約束之下顯得更加守舊，對一些有潛力的先進工具接受度較低。

深度學(xué)習(xí)已經(jīng)不是什么新鮮話題，而且其應(yīng)用場景還正在廣泛延展。傳統(tǒng)的深度學(xué)習(xí)技術(shù)很可能將出現(xiàn)一些更加成熟的變體(卷積和遞歸神經(jīng)網(wǎng)絡(luò)都是其初始形式)，為一些醫(yī)療領(lǐng)域提供特定的功能，挖掘更多的可能。當(dāng)然，我們也將很快面臨一系列挑戰(zhàn)。

在過去一年，深度學(xué)習(xí)已經(jīng)從原本主攻的視頻、影像、語音識別分析等商業(yè)領(lǐng)域更多地轉(zhuǎn)向了科研領(lǐng)域。對于醫(yī)療來說，深度學(xué)習(xí)將更深植于醫(yī)學(xué)影像、基于傳感器的數(shù)據(jù)分析、轉(zhuǎn)化生物信息學(xué)、公共衛(wèi)生政策發(fā)展等方面。

一群專業(yè)的深度學(xué)習(xí)研究人員專門分析了近年來深度學(xué)習(xí)在醫(yī)療信息中化的應(yīng)用，指出：計算機功能、快速數(shù)據(jù)存儲、并行計算這幾方面的提升，是深度學(xué)習(xí)得以迅速發(fā)展的基礎(chǔ)，而深度學(xué)習(xí)的預(yù)測功能和自動識別功能讓它在疾病診斷中廣受歡迎。另外他們還發(fā)現(xiàn)，醫(yī)療行業(yè)對深度學(xué)習(xí)技術(shù)的使用不僅在頻率上有顯著提升，而且在種類上也有一定的變化。遞歸神經(jīng)網(wǎng)絡(luò)作為最主要的一個種類，從2010年的近90%降低到2015年的40%;而其他改良類型的使用頻率越來越高。

優(yōu)缺點及適用質(zhì)疑

對于醫(yī)療信息化領(lǐng)域，深度學(xué)習(xí)自動尋找新特征的功能非常有用。舉個例子，無需人為干涉，深度學(xué)習(xí)算法就可以從醫(yī)學(xué)影像中找出許多復(fù)雜程度極高，難以用語言詳盡描述出的對比特征。這些細(xì)微的特征可能是纖維瘤的象征，也可能是息肉。研究人員們還指出，在公共健康領(lǐng)域，深度學(xué)習(xí)還能從復(fù)雜的區(qū)域和人口數(shù)據(jù)中找出宏觀規(guī)律。

“大多數(shù)的深度學(xué)習(xí)模型所追蹤的特征都是難以說明的，”研究人員指出，“因此，使用者們通常都把深度學(xué)習(xí)作為一個‘黑箱’方法，不可能也沒必要解釋它是怎么作出正確判斷的?！钡疃葘W(xué)習(xí)這個黑箱的問題是，神經(jīng)網(wǎng)絡(luò)在被訓(xùn)練的過程中可能會被“欺騙”。

所謂“欺騙”，即在輸入的數(shù)據(jù)中加入小的改變，就很容易誤導(dǎo)深度學(xué)習(xí)系統(tǒng)。比如在一張醫(yī)學(xué)影像中加入極細(xì)微的干擾，導(dǎo)致樣品被錯誤地剔出分類;反過來，有時候一些無意義的合成樣本也被歸入某類中。這是深度學(xué)習(xí)的技術(shù)面臨的真正局限，當(dāng)然，不止深度學(xué)習(xí)，任何機器學(xué)習(xí)的手段都可能產(chǎn)生同樣的問題。

訓(xùn)練任何類型的神經(jīng)網(wǎng)絡(luò)識別一些簡單的特征，都需要大量的數(shù)據(jù)。況且這項技術(shù)并非對所有情況都適用，尤其是罕見疾病。對于深度學(xué)習(xí)來說，過度學(xué)習(xí)(過擬合)現(xiàn)象仍是一個問題，這會導(dǎo)致神經(jīng)網(wǎng)絡(luò)難以實現(xiàn)普適化。

雖然深度學(xué)習(xí)在醫(yī)療上很有前途，但面臨著一些質(zhì)疑的聲音：這種技術(shù)在醫(yī)療的應(yīng)用上究竟能占多大的比例?某些領(lǐng)域是否真的有必要引入深度學(xué)習(xí)?說是代替醫(yī)生的人工判斷，擁有更高的準(zhǔn)確性，而實際上真的能確保使用的效率提升嗎?這些問題我們?nèi)詻]有答案，但有一點我們很確定，那就是已經(jīng)有很多大公司已經(jīng)在用深度學(xué)習(xí)探索醫(yī)療的道路上越走越寬，而掌握了這項技術(shù)的醫(yī)療創(chuàng)業(yè)公司也層出不窮。

舉例：將深度學(xué)習(xí)技術(shù)用于醫(yī)療的企業(yè)

1.IBM：采用深度學(xué)習(xí)識別癌變細(xì)胞的有絲分裂

診斷癌變細(xì)胞時，通常是用活組織切片檢查法來分析病人組織樣本。分析樣本時，會將典型的組織樣本用試劑溶液進行著色標(biāo)記，試劑顏色的深淺及其在細(xì)胞組織內(nèi)的分布情況，預(yù)示著疾病種類及惡化程度。

但有時這些組織尤為細(xì)小，醫(yī)學(xué)專家需要尋找替代肉眼的方法從中檢測出腫瘤細(xì)胞消失或癌變的重要特征，方便醫(yī)生進行下一步?jīng)Q策。就在2016年MICCAI國際會議的“腫瘤擴散評估挑戰(zhàn)賽”中，IBM實驗室人員用人工智能的方法識別組織樣本特性，取得了不錯的成績。

2.谷歌DeepMind：深度學(xué)習(xí)用于醫(yī)療記錄、眼部疾病、癌癥治療

去年2月，DeepMind成立DeepMindHealth部門，收購了做醫(yī)療管理應(yīng)用的Hark公司，結(jié)合自己的深度學(xué)習(xí)專長來改進傳統(tǒng)紙質(zhì)病例的弊端。

去年7月，與Moorfields眼科醫(yī)院合作，開發(fā)辨識視覺疾病的深度學(xué)習(xí)系統(tǒng)，以識別老年黃斑變性、糖尿病視網(wǎng)膜病變等眼部疾病的早期征兆，提前預(yù)防視覺疾病。

去年8月，DeepMind還用深度學(xué)習(xí)的算法來設(shè)計頭頸癌患者放療療法，縮短放療時間、降低放療傷害。

3.英偉達(dá)：癌癥分布式學(xué)習(xí)環(huán)境計劃

決心深潛深度學(xué)習(xí)的計算機圖形芯片制造商英偉達(dá)去年宣布，與美國國家癌癥研究所和美國能源部合作，開發(fā)一套人工智能計算機框架，用于輔助癌癥研究。該框架名為“癌癥分布式學(xué)習(xí)環(huán)境計劃”(CancerDistributedLearningEnvironment，CANDLE)。

癌癥有千百種，每一種癌癥的發(fā)病原因又可以有上千種，選擇合適的療法是個大工程。CANDLE計劃會利用深度算法，從醫(yī)療行業(yè)大量的數(shù)據(jù)中找出規(guī)律與模式，幫助研究者預(yù)測某類腫瘤對特定藥物的反應(yīng)，又有那些原因?qū)е掳┘?xì)胞增殖療等。

更多資訊請關(guān)注機器視覺頻道