IBM的智能醫(yī)學(xué)影像分析項(xiàng)目-Watson計(jì)劃
據(jù)報(bào)道，IT巨頭IBM將以10億美元收購(gòu)醫(yī)學(xué)成像設(shè)備提供商Merge Healthcare，后者主要幫助醫(yī)生和醫(yī)院存儲(chǔ)和分析CAT斷層掃描、X射線以及其他醫(yī)學(xué)影像。IBM計(jì)劃將Merge的技術(shù)整合到自身的Watson人工智能技術(shù)中去。IBM認(rèn)為，Watson的認(rèn)知計(jì)算能力在醫(yī)學(xué)造影方面完全可以辨別患者應(yīng)該接受X射線、CAT還是核磁共振，現(xiàn)在獨(dú)缺的是客戶以及醫(yī)學(xué)影像資料，而這恰好也是Merge可以提供的資源。
目前醫(yī)療數(shù)據(jù)中有超過(guò)90%來(lái)自于醫(yī)學(xué)影像，但是這些數(shù)據(jù)大多要進(jìn)行人工分析。如果能夠運(yùn)用人工智能技術(shù)分析醫(yī)學(xué)影像，并將影像與醫(yī)學(xué)文本記錄進(jìn)行交叉對(duì)比，就能夠極大地降低醫(yī)學(xué)診斷上的失誤，幫助醫(yī)生精準(zhǔn)診斷，挽救患者生命。
IBM 的Watson計(jì)劃想法很好，但是依然存在著諸多挑戰(zhàn)。最大的問(wèn)題在于如何證明這個(gè)計(jì)劃的效果，如何向健康保險(xiǎn)公司證明對(duì)于Watson的投資物有所值。具體地說(shuō)，Watson計(jì)劃能否真正地讓患者得到準(zhǔn)確的診斷，傳統(tǒng)的放射科醫(yī)師忽略的診斷方面的問(wèn)題能否讓IBM的智能技術(shù)發(fā)現(xiàn)。
中國(guó)人“數(shù)字肺”項(xiàng)目
我們?cè)倩剡^(guò)頭來(lái)看看國(guó)內(nèi)。進(jìn)入數(shù)字化時(shí)代，數(shù)字化、標(biāo)準(zhǔn)化、網(wǎng)絡(luò)化、海量存儲(chǔ)和大數(shù)據(jù)的應(yīng)用，已成為醫(yī)學(xué)發(fā)展的主流方向和重要標(biāo)志。大數(shù)據(jù)的發(fā)展要求醫(yī)院要改變傳統(tǒng)的醫(yī)療模式-把疾病的早預(yù)防、早診斷、早治療等服務(wù)放在第一位考慮。隨著人們期待更好的醫(yī)療衛(wèi)生保健服務(wù)，從出生到死亡的全程醫(yī)療服務(wù)也已經(jīng)成為了醫(yī)療管理新模式的發(fā)展方向。通過(guò)互聯(lián)網(wǎng)絡(luò)把預(yù)防、診斷和臨床作業(yè)過(guò)程納入到數(shù)字化網(wǎng)絡(luò)中，實(shí)現(xiàn)這些重要任務(wù)的核心環(huán)節(jié)就是醫(yī)學(xué)影像信息化，充分體現(xiàn)大數(shù)據(jù)、實(shí)時(shí)在線、多點(diǎn)傳輸與共享給現(xiàn)代醫(yī)療帶來(lái)的好處。
據(jù)報(bào)道，由北京醫(yī)院等國(guó)內(nèi)知名大醫(yī)院聯(lián)合與合作，開(kāi)展了中國(guó)人“數(shù)字肺”項(xiàng)目-“基于醫(yī)學(xué)影像大數(shù)據(jù)的呼吸系統(tǒng)疾病輔助診斷平臺(tái)”。項(xiàng)目以構(gòu)建具有統(tǒng)計(jì)學(xué)意義的中國(guó)人“數(shù)字肺”，揭示支氣管、肺血管和肺實(shí)質(zhì)結(jié)構(gòu)與不同主要肺部疾病之間的關(guān)系，通過(guò)采用數(shù)據(jù)挖掘與量化分析技術(shù)，分析、處理和量化COPD、支氣管哮喘、支氣管擴(kuò)張、肺間質(zhì)性疾病、肺栓塞和孤立性肺結(jié)節(jié)的評(píng)價(jià)體系和診斷標(biāo)準(zhǔn)。目前，該項(xiàng)目已經(jīng)在健康成人支氣管樹(shù)不對(duì)稱分叉特性的研究、低劑量CT掃描的對(duì)支氣管定量測(cè)量的評(píng)價(jià)研究、吸煙對(duì)肺組織損傷的縱向研究、肺血管改變與肺氣腫定量的動(dòng)態(tài)評(píng)估等方面取得了進(jìn)展，獲得了一系列卓有成效的研究成果。
影像大數(shù)據(jù)-早期肺癌篩查平臺(tái)
在大數(shù)據(jù)盛行的今天，大型影像診斷設(shè)備結(jié)合大數(shù)據(jù)分析提供更準(zhǔn)確的診斷報(bào)告顯然是越來(lái)越可行和越來(lái)越可靠的事情。據(jù)報(bào)道，由上海多家大型醫(yī)療機(jī)構(gòu)合作開(kāi)展了“上海地區(qū)早期肺癌的影像學(xué)篩查及診斷研究”項(xiàng)目。該項(xiàng)目通過(guò)多家醫(yī)院多中心采集、共享并研究早期肺癌病例數(shù)據(jù)樣本，制定早期肺癌高危人群預(yù)警指標(biāo)，進(jìn)而建立一套肺癌篩查及早期診斷的最佳方案和標(biāo)準(zhǔn)流程。同時(shí)，在多中心研究基礎(chǔ)上，建立可拓展、可挖掘的上海市早期肺癌患者數(shù)據(jù)庫(kù)。該平臺(tái)涵蓋調(diào)查問(wèn)卷、患者信息管理、影像閱覽、肺結(jié)節(jié)CAD檢測(cè)、結(jié)構(gòu)化診斷報(bào)告、遠(yuǎn)程會(huì)診、病人隨訪、統(tǒng)計(jì)分析等篩查全過(guò)程，為研究項(xiàng)目提供堅(jiān)實(shí)技術(shù)基礎(chǔ)。目前，該早期肺癌篩查平臺(tái)已實(shí)現(xiàn)上海多家三甲醫(yī)院數(shù)據(jù)互聯(lián)，支持多家醫(yī)院在線實(shí)時(shí)會(huì)診、資源共享;此外，通過(guò)人工智能技術(shù)自動(dòng)精準(zhǔn)識(shí)別小肺結(jié)節(jié)，可幫助醫(yī)生減少漏診。
針對(duì)早期肺癌難以發(fā)現(xiàn)、容易漏診的問(wèn)題，該早期肺癌篩查平臺(tái)融入了肺癌計(jì)算機(jī)輔助檢測(cè)(CAD)引擎，可自動(dòng)精準(zhǔn)識(shí)別影像中直徑更小的肺結(jié)節(jié)，計(jì)算并提供結(jié)節(jié)大小、密度等量化參數(shù)供醫(yī)生參考。同時(shí)，參考世界先進(jìn)成熟的肺癌篩查平臺(tái)，采用結(jié)構(gòu)化報(bào)告，實(shí)行“雙盲模式”—第一份報(bào)告不參考CAD檢測(cè)，作為初診，第二份報(bào)告參考CAD，完成終審報(bào)告，人機(jī)相互對(duì)照參考，改變以往早期肺癌篩查中醫(yī)生僅靠主觀診斷的篩查模式，以減少漏診幾率。
影像大數(shù)據(jù)挖掘
數(shù)據(jù)挖掘從數(shù)據(jù)形式和相關(guān)技術(shù)上說(shuō)，大致可以劃分為結(jié)構(gòu)數(shù)據(jù)挖掘和非結(jié)構(gòu)數(shù)據(jù)挖掘。所謂結(jié)構(gòu)數(shù)據(jù)挖掘是基于結(jié)構(gòu)化的數(shù)據(jù)基礎(chǔ)上的知識(shí)發(fā)現(xiàn)，例如我們常見(jiàn)的關(guān)系型數(shù)據(jù)，包括數(shù)值型數(shù)據(jù)、字符型數(shù)據(jù)、日期型數(shù)據(jù)等等，應(yīng)用相關(guān)的數(shù)據(jù)挖掘技術(shù)對(duì)這些關(guān)系型數(shù)據(jù)開(kāi)展分析。而所謂非結(jié)構(gòu)數(shù)據(jù)挖掘是基于非結(jié)構(gòu)化的數(shù)據(jù)基礎(chǔ)上的知識(shí)發(fā)現(xiàn)，例如我們常見(jiàn)的自然語(yǔ)言文本數(shù)據(jù)、各種圖像數(shù)據(jù)、各種音頻數(shù)據(jù)等等，基于這些類型的數(shù)據(jù)開(kāi)展數(shù)據(jù)挖掘分析。
醫(yī)學(xué)影像數(shù)據(jù)挖掘就是非結(jié)構(gòu)數(shù)據(jù)挖掘的一種，它有如下幾個(gè)主要特點(diǎn)：
1. 影像數(shù)據(jù)一般具有相對(duì)的含義，而結(jié)構(gòu)化數(shù)據(jù)一般具有絕對(duì)的含義。
2. 影像內(nèi)容的理解具有主觀性的特點(diǎn)，對(duì)影像信息可以有多種不同理解，并依賴于影像表示方法和應(yīng)用領(lǐng)域?qū)I(yè)知識(shí)。
3. 影像信息中包含影像數(shù)據(jù)對(duì)象的空間關(guān)系信息。
從目前的影像數(shù)據(jù)挖掘技術(shù)的現(xiàn)狀來(lái)說(shuō)，原始影像一般還不能直接用于影像數(shù)據(jù)挖掘分析，必須進(jìn)行預(yù)處理，以生成可用于高層次挖掘的影像特征庫(kù)。影像數(shù)據(jù)挖掘的一般流程通常包括影像的存儲(chǔ)、影像的預(yù)處理、影像的搜索、影像的挖掘和展示等步驟。
影像數(shù)據(jù)挖掘方案
目前，影像數(shù)據(jù)挖掘方案主要有功能驅(qū)動(dòng)型模型和信息驅(qū)動(dòng)型模型。
所謂功能驅(qū)動(dòng)型模型是以不同的功能模塊來(lái)組織，功能驅(qū)動(dòng)的影像數(shù)據(jù)挖掘是針對(duì)具體應(yīng)用的特定要求來(lái)設(shè)計(jì)數(shù)據(jù)挖掘方案的，通常包括：
1. 影像采集模塊-從影像數(shù)據(jù)庫(kù)中抽取影像數(shù)據(jù);
2. 預(yù)處理模塊-提取影像特征，并把特征信息存放在特征數(shù)據(jù)庫(kù)中;
3. 搜索引擎-利用影像特征信息進(jìn)行匹配查詢;
4. 知識(shí)發(fā)現(xiàn)模塊-對(duì)影像數(shù)據(jù)進(jìn)行算法分析，以發(fā)現(xiàn)數(shù)據(jù)的主題、特征、關(guān)系等規(guī)律。
所謂信息驅(qū)動(dòng)型模型，是針對(duì)影像的原始信息開(kāi)展基于內(nèi)容的影像數(shù)據(jù)挖掘的方案。該方案基于原始特征的對(duì)象或區(qū)域信息，利用挖掘算法和專業(yè)知識(shí)將整幅影像進(jìn)行有意義地分割，然后開(kāi)展高層次地計(jì)算與挖掘分析，從而推導(dǎo)出具有高層次語(yǔ)義的、易用的、易于理解的模式。該方案將影像信息劃分為四個(gè)層次：
1. 象素層-由原始影像信息和原始影像特征組成，如象素點(diǎn)、紋理、形狀和色彩等。
2. 對(duì)象層-處理基于象素層原始特征的對(duì)象和區(qū)域信息。
3. 語(yǔ)義層：結(jié)合專業(yè)知識(shí)從識(shí)別出的對(duì)象和區(qū)域中生成高層次的語(yǔ)義概念。
4. 知識(shí)層：可結(jié)合與某一專業(yè)相關(guān)的文字和數(shù)字信息發(fā)現(xiàn)潛在的領(lǐng)域知識(shí)和模式。
在信息驅(qū)動(dòng)方案中，象素層和對(duì)象層主要進(jìn)行影像處理、對(duì)象識(shí)別和特征提取，而語(yǔ)義層和知識(shí)層主要進(jìn)行影像數(shù)據(jù)挖掘和知識(shí)整合。該方案可以在每個(gè)層次上以及不同層次間開(kāi)展數(shù)據(jù)挖掘分析。
影像數(shù)據(jù)挖掘算法
與結(jié)構(gòu)化數(shù)據(jù)挖掘的步驟和算法相類似，影像數(shù)據(jù)挖掘的技術(shù)主要包括：影像數(shù)據(jù)預(yù)處理技術(shù)：如去噪、對(duì)比度增強(qiáng)、影像分割等等;特征提取和模式技術(shù);如分類、規(guī)則提取、預(yù)測(cè)和聚類等等，既包括有監(jiān)督學(xué)習(xí)也包含無(wú)監(jiān)督學(xué)習(xí)。下面，我們就簡(jiǎn)單介紹一下有監(jiān)督學(xué)習(xí)的分類技術(shù)和無(wú)監(jiān)督學(xué)習(xí)的聚類技術(shù)。
基于影像數(shù)據(jù)的分類技術(shù)流程主要分為三步：
1. 建立影像表示模型，對(duì)已進(jìn)行類標(biāo)記的影像樣本數(shù)據(jù)進(jìn)行特征提取，并建立每一影像的屬性描述;
2. 對(duì)樣本數(shù)據(jù)集進(jìn)行訓(xùn)練和學(xué)習(xí)，得到具有相當(dāng)分類精度的分類模型;
3. 根據(jù)分類模型對(duì)未標(biāo)記的影像數(shù)據(jù)集進(jìn)行自動(dòng)分類判別。
影像數(shù)據(jù)分類的挑戰(zhàn)性在于，如何建立低層可視特征和高層語(yǔ)義分類間的映射關(guān)系。
基于影像數(shù)據(jù)的聚類技術(shù)，是根據(jù)沒(méi)有先驗(yàn)知識(shí)的影像數(shù)據(jù)分布，將無(wú)類別標(biāo)記的影像數(shù)據(jù)劃分為有含義的不同簇，通常包括四個(gè)步驟：
1. 影像特征提取和選擇;
2. 建立影像相似性模型;
3. 嘗試不同的聚類算法;
4. 評(píng)估最佳的分組方案。
影像數(shù)據(jù)聚類的挑戰(zhàn)性在于，如何在分簇未知的情況下，如何科學(xué)地找到一個(gè)最佳的分類方案。
影像數(shù)據(jù)挖掘應(yīng)用
人腦是高度復(fù)雜的時(shí)空動(dòng)力系統(tǒng)?；谏窠?jīng)影像大數(shù)據(jù)，群組獨(dú)立成分分析(ICA)作為一種信息驅(qū)動(dòng)型算法，被廣泛應(yīng)用于探索人腦系統(tǒng)的時(shí)空特性。據(jù)文獻(xiàn)報(bào)道，中國(guó)科學(xué)院心理研究所研發(fā)出一種在多被試神經(jīng)影像數(shù)據(jù)中挖掘被試分組(亞組)的群組ICA方法-gRAICAR。模擬數(shù)據(jù)顯示，gRAICAR可以精確地揭示腦功能網(wǎng)絡(luò)的個(gè)體間差異。進(jìn)一步地，基于實(shí)際靜息態(tài)功能磁共振成像數(shù)據(jù)，gRAICAR不僅能夠估計(jì)每個(gè)腦功能網(wǎng)絡(luò)的被試間的一致性，揭示被試間在腦功能上的相似關(guān)系，而且可以據(jù)此探測(cè)具有較高一致性的亞組。gRAICAR成為完全的信息驅(qū)動(dòng)方法，為科研人員基于數(shù)據(jù)產(chǎn)生進(jìn)一步的科學(xué)假設(shè)提供參考，將為深入挖掘多被試神經(jīng)影像數(shù)據(jù)，為建立與心理精神相關(guān)腦功能疾病的神經(jīng)影像標(biāo)志提供有力工具，為“開(kāi)放式神經(jīng)科學(xué)”提供方法學(xué)支撐。
gRAICAR可以說(shuō)是影像數(shù)據(jù)挖掘在神經(jīng)學(xué)領(lǐng)域中的一個(gè)應(yīng)用。當(dāng)然，影像數(shù)據(jù)挖掘肯定會(huì)在更廣泛的醫(yī)學(xué)領(lǐng)域中發(fā)揮著重要的作用，必將成為現(xiàn)代醫(yī)學(xué)走向智能醫(yī)療的一個(gè)利器!
數(shù)字化要一盤(pán)棋更要各自為戰(zhàn)
分享到微信 ×
打開(kāi)微信，點(diǎn)擊底部的“發(fā)現(xiàn)”，
使用“掃一掃”即可將網(wǎng)頁(yè)分享至朋友圈。