搜狐首页 科技 催眠师

手机搜狐

SOHU.COM

深度学习技术优化医疗,究竟靠谱不靠谱?

不少研究人工智能的人认为,深度学习的下一个出口在医疗。且慢,也许它所实现的精准判断的确符合医疗界力求精确的特性,但医疗界对这项技术的接纳程度到了哪步呢?

对于许多技术驱动型的行业,技术的不断突破是它们必要的生存条件。然而另一些领域却因为监管等限制,更偏向于沿袭传统做法。医疗领域就属于后者。尽管精准医疗计划的推行、当代的移动医疗的浪潮为行业带来了极大进展,但医疗作为国家经济的一个重要组成部分,还是在各种约束之下显得更加守旧,对一些有潜力的先进工具接受度较低。

深度学习已经不是什么新鲜话题,而且其应用场景还正在广泛延展。传统的深度学习技术很可能将出现一些更加成熟的变体(卷积和递归神经网络都是其初始形式),为一些医疗领域提供特定的功能,挖掘更多的可能。当然,我们也将很快面临一系列挑战。

在过去一年,深度学习已经从原本主攻的视频、影像、语音识别分析等商业领域更多地转向了科研领域。对于医疗来说,深度学习将更深植于医学影像、基于传感器的数据分析、转化生物信息学、公共卫生政策发展等方面。

一群专业的深度学习研究人员专门分析了近年来深度学习在医疗信息中化的应用,指出:计算机功能、快速数据存储、并行计算这几方面的提升,是深度学习得以迅速发展的基础,而深度学习的预测功能和自动识别功能让它在疾病诊断中广受欢迎。另外他们还发现,医疗行业对深度学习技术的使用不仅在频率上有显著提升,而且在种类上也有一定的变化。递归神经网络作为最主要的一个种类,从2010年的近90%降低到2015年的40%;而其他改良类型的使用频率越来越高。

优缺点及适用质疑

对于医疗信息化领域,深度学习自动寻找新特征的功能非常有用。举个例子,无需人为干涉,深度学习算法就可以从医学影像中找出许多复杂程度极高,难以用语言详尽描述出的对比特征。这些细微的特征可能是纤维瘤的象征,也可能是息肉。研究人员们还指出,在公共健康领域,深度学习还能从复杂的区域和人口数据中找出宏观规律。

“大多数的深度学习模型所追踪的特征都是难以说明的,”研究人员指出,“因此,使用者们通常都把深度学习作为一个‘黑箱’方法,不可能也没必要解释它是怎么作出正确判断的。”但深度学习这个黑箱的问题是,神经网络在被训练的过程中可能会被“欺骗”。

所谓“欺骗”,即在输入的数据中加入小的改变,就很容易误导深度学习系统。比如在一张医学影像中加入极细微的干扰,导致样品被错误地剔出分类;反过来,有时候一些无意义的合成样本也被归入某类中。这是深度学习的技术面临的真正局限,当然,不止深度学习,任何机器学习的手段都可能产生同样的问题。

精选