2018年医疗人工智能技术与应用白皮书——人工智能发展的三大因素

回复：0 阅读：1487

曾文超离线: 帖子：1095; 粉蓝豆：24; 经验：2114; 注册时间：2012-04-21; 加关注 | 发消息

楼主发表于 2018-04-19 23:30|举报|关注(0)
浏览排序[ 顺序逆序楼主支持精彩 ] 快捷回复

算力。GPU（图形处理器）显著提升了计算机的性能，拥有远超CPU 的并行计算能力。由于处理器的计算方式不同，CPU 擅长处理面向操作系统和应用程序的通用计算任务，而 GPU 擅长完成与显示相关的数据处理。CPU 计算使用基于 x86 指令集的串行架构，适合快速完成计算任务。GPU 拥有多内核处理并行计算，适合处理 3D 图像中上百万的图像像素。此外，FPGA 也在越来越多地应用在 AI 领域。FPGA（Field Programmable Gate Array）是在 PAL、GAL、CPLD 等可编程逻辑器件的基础上进一步发展的产物。它是作为专用集成电路领域中的一种半定制电路而出现的，既解决了全定制电路的不足，又克服了原有可编程逻辑器件门电路数有限的缺点。

一方面，FPGA 是可编程重构的硬件，相比 GPU 有更强大的可调控能力；另一方面，与日增长的门资源和内存带宽使得它有更大的设计空间。由于深层神经网络包含多个隐藏层，大量神经元之间的联系计算具有高并行性的特点，具备支撑大规模并行计算的 FPGA 和 GPU 架构已成为了现阶段深度学习的主流硬件平台。FPGA 和 GPU 架构能够根据应用的特点定制计算和存储的结构，方便算法进行微调和优化，实现硬件与算法的最佳匹配，获得较高的性能功耗比。

算法。深度学习是当前研究和应用的热点算法，也是人工智能的重要领域。深度学习通过构建多隐层模型和学习海量训练数据，可以获取到数据有用的特征。通过数据挖掘进行海量数据处理，自动学习数据特征，尤其适用于包含少量未标识数据的大数据集。深度学习采用层次网络结构进行逐层特征变换，将样本的特征表示变换到一个新的特征空间，从而使分类或预测更加容易。

深度学习驱动图像识别精度大幅度提升。2012 年, 深度学习模型首次被应用在图像识别大赛（ImageNet），将错误率降至16.4%，一举夺冠。2015 年，微软通过152 层的深度网络，将图像识别错误率降至 3.57%，而人眼的辨识错误率约在 5.1%，Deep Learning 模型的识别能力已经超过了人眼。在2017 年的 ImageNet 挑战赛中，Momenta 团队利用 SENet 架构夺魁，他们的融合模型在测试集上获得了 2.251% 的错误率，对比于去年第一名的结果 2.991%,获得了将近 25% 的精度提升。

自 Hinton 提出 DBN（深度置信网络）以来，深度学习的发展经历了一个快速迭代的周期，其中卷积神经网络（Convolutional Neural Network,CNN）目前已成为图像识别领域应用最广泛的算法模型。在利用卷积神经网络（CNN）进行图像理解的过程中，图像以像素矩阵形式作为原始输入，第一层神经网络的学习功能通常是检测特定方向和形状的边缘的存在与否，以及这些边缘在图像中的位置；第二层往往会检测多种边缘的特定布局，同时忽略边缘位置的微小变化；第三层可以把特定的边缘布局组合成为实际物体的某个部分；后续的层次将会通过全连接层来把这些部分组合起来，实现物体的识别。目前，CNN 已广泛应用于医疗健康行业特别是医疗影像辅助诊断，用以实现病变检测和特定疾病的早期筛查。

大数据。机器学习是人工智能的核心和基础，而数据和以往的经验是机器学习优化计算机程序的性能标准。随着大数据时代的到来，来自全球的海量数据为人工智能的发展提供了良好的基础。据 IDC 统计，2011 年全球数据总量已经达到 1.8ZB，并以每两年翻一番的速度增长，预计到 2020 年全球将总共拥有 35ZB 的数据量，数据量增长近20 倍；数据规模方面，预计到 2020 年，全球大数据产业规模将达到2047 亿美元，我国产业规模将突破万亿元。

随着电子病历的实施，CT 影像、磁共振成像等放射图像的普及，医疗行业的数据量已呈现指数级增长。据统计，2013 年全球医疗健康数据量为 153EB，预计年增长率为 48%。通过自然语言理解、机器学习等技术，大量文本、视频、图像等非结构化数据得以分析利用。来源于三甲医院的电子病历数据库，基层医院和体检机构的健康档案数据库，国家各统计部门的人口数据库通过大数据技术可以实现互联互通，形成个人完整生命周期的医疗健康大数据，为人工智能技术在医疗健康行业的应用提供了有力的支撑。

算力。GPU（图形处理器）显著提升了计算机的性能，拥有远超CPU 的并行计算能力。由于处理器的计算方式不同，CPU 擅长处理面向操作系统和应用程序的通用计算任务，而 GPU 擅长完成与显示相关的数据处理。CPU 计算使用基于 x86 指令集的串行架构，适合快速完成计算任务。GPU 拥有多内核处理并行计算，适合处理 3D 图像中上百万的图像像素。此外，FPGA 也在越来越多地应用在 AI 领域。FPGA（Field Programmable Gate Array）是在 PAL、GAL、CPLD 等可编程逻辑器件的基础上进一步发展的产物。它是作为专用集成电路领域中的一种半定制电路而出现的，既解决了全定制电路的不足，又克服了原有可编程逻辑器件门电路数有限的缺点。

一方面，FPGA 是可编程重构的硬件，相比 GPU 有更强大的可调控能力；另一方面，与日增长的门资源和内存带宽使得它有更大的设计空间。由于深层神经网络包含多个隐藏层，大量神经元之间的联系计算具有高并行性的特点，具备支撑大规模并行计算的 FPGA 和 GPU 架构已成为了现阶段深度学习的主流硬件平台。FPGA 和 GPU 架构能够根据应用的特点定制计算和存储的结构，方便算法进行微调和优化，实现硬件与算法的最佳匹配，获得较高的性能功耗比。

算法。深度学习是当前研究和应用的热点算法，也是人工智能的重要领域。深度学习通过构建多隐层模型和学习海量训练数据，可以获取到数据有用的特征。通过数据挖掘进行海量数据处理，自动学习数据特征，尤其适用于包含少量未标识数据的大数据集。深度学习采用层次网络结构进行逐层特征变换，将样本的特征表示变换到一个新的特征空间，从而使分类或预测更加容易。

深度学习驱动图像识别精度大幅度提升。2012 年, 深度学习模型首次被应用在图像识别大赛（ImageNet），将错误率降至16.4%，一举夺冠。2015 年，微软通过152 层的深度网络，将图像识别错误率降至 3.57%，而人眼的辨识错误率约在 5.1%，Deep Learning 模型的识别能力已经超过了人眼。在2017 年的 ImageNet 挑战赛中，Momenta 团队利用 SENet 架构夺魁，他们的融合模型在测试集上获得了 2.251% 的错误率，对比于去年第一名的结果 2.991%,获得了将近 25% 的精度提升。

自 Hinton 提出 DBN（深度置信网络）以来，深度学习的发展经历了一个快速迭代的周期，其中卷积神经网络（Convolutional Neural Network,CNN）目前已成为图像识别领域应用最广泛的算法模型。在利用卷积神经网络（CNN）进行图像理解的过程中，图像以像素矩阵形式作为原始输入，第一层神经网络的学习功能通常是检测特定方向和形状的边缘的存在与否，以及这些边缘在图像中的位置；第二层往往会检测多种边缘的特定布局，同时忽略边缘位置的微小变化；第三层可以把特定的边缘布局组合成为实际物体的某个部分；后续的层次将会通过全连接层来把这些部分组合起来，实现物体的识别。目前，CNN 已广泛应用于医疗健康行业特别是医疗影像辅助诊断，用以实现病变检测和特定疾病的早期筛查。

大数据。机器学习是人工智能的核心和基础，而数据和以往的经验是机器学习优化计算机程序的性能标准。随着大数据时代的到来，来自全球的海量数据为人工智能的发展提供了良好的基础。据 IDC 统计，2011 年全球数据总量已经达到 1.8ZB，并以每两年翻一番的速度增长，预计到 2020 年全球将总共拥有 35ZB 的数据量，数据量增长近20 倍；数据规模方面，预计到 2020 年，全球大数据产业规模将达到2047 亿美元，我国产业规模将突破万亿元。

随着电子病历的实施，CT 影像、磁共振成像等放射图像的普及，医疗行业的数据量已呈现指数级增长。据统计，2013 年全球医疗健康数据量为 153EB，预计年增长率为 48%。通过自然语言理解、机器学习等技术，大量文本、视频、图像等非结构化数据得以分析利用。来源于三甲医院的电子病历数据库，基层医院和体检机构的健康档案数据库，国家各统计部门的人口数据库通过大数据技术可以实现互联互通，形成个人完整生命周期的医疗健康大数据，为人工智能技术在医疗健康行业的应用提供了有力的支撑。

标签：

0

添加参考诊断

×参考诊断

回复：0 阅读：1487

【免责声明】讨论内容仅作学术交流之用，不作为诊疗依据，由此而引起的法律问题作者及本站不承担任何责任。

快速回复
进入高级回复

合作伙伴

友情链接

图片：
名称：
描述：