□編譯/張含陽

大規(guī)模深度學(xué)習(xí)為女性帶來的醫(yī)療之變

□編譯/張含陽

研究人員證明，在乳腺X光影像的大數(shù)據(jù)集上訓(xùn)練以卷積神經(jīng)網(wǎng)絡(luò)（CNN）形式的深度學(xué)習(xí)模型，超越了計算機輔助檢測（CAD）最先進的系統(tǒng)。

最近，機器學(xué)習(xí)領(lǐng)域揭示了訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的最新技術(shù)，這使得在許多模式識別任務(wù)（如物體檢測和語音識別）中的應(yīng)用非常成功。

在機器學(xué)習(xí)應(yīng)用于醫(yī)療領(lǐng)域的最新研究中，科研人員利用手動設(shè)計的特征集和卷積神經(jīng)網(wǎng)絡(luò)（CNN），與最先進的乳腺影像CAD系統(tǒng)進行了比較。目的是為了建立一套智能系統(tǒng)，使得該系統(tǒng)最終可以獨立地 “讀懂”女性乳房的X光照片。當(dāng)兩個系統(tǒng)均在約45000張圖片的大型數(shù)據(jù)集上訓(xùn)練時，結(jié)果表明，在低靈敏度下，CNN勝過傳統(tǒng)CAD系統(tǒng)，而在高靈敏度下，二者表現(xiàn)相當(dāng)。

通過持續(xù)研究，科研人員試圖探究在多大程度上，這些特征仍可對CNN進行補充，比如位置、患者信息，以及常用的手動特征。同時，研究人員試圖研究CNN在高特異性上的改善，特別是對于包含那些CNN上不可用的位置及配置指令特征的信息。此外，科研人員還進行了一項實驗，他們將該CNN網(wǎng)絡(luò)與專業(yè)的放射科醫(yī)生進行比較，結(jié)果顯示，它們之間沒有明顯差異。

在美國，每年對近4000萬個女性乳房進行X光照相檢查，這主要是因為X光照相作為早期檢測乳腺癌的篩選程序，被證明可以大大增加患者生存的機會。許多西方國家都實施了類似的篩查方案。但是，這些數(shù)據(jù)必須要由一個或多個經(jīng)驗豐富的醫(yī)生來檢查是否存在癌癥病變的跡象，這是耗時、昂貴的過程，最重要的是，很容易出錯。

為了達到最佳、精準(zhǔn)的醫(yī)療效果，科研人員正不斷開發(fā)計算機輔助檢測和診斷（CAD）系統(tǒng)，作為醫(yī)生診斷的輔助工具。來自美國的數(shù)據(jù)顯示，在篩選程序中，CAD系統(tǒng)在醫(yī)院設(shè)施中占比近70%，而在私人機構(gòu)中則高達85%。因為，計算機不會存在注意力下降的困擾，當(dāng)輸入數(shù)據(jù)相同時，結(jié)果也是一致的，并且可以用大量的訓(xùn)練樣本來訓(xùn)練，遠遠超過任何放射科專家在他的一生中所經(jīng)歷的影像樣本。

上圖為候選檢測的流水線。候選檢測器通過五個像素特征來訓(xùn)練，并應(yīng)用于所有圖像中的所有像素，生成似然圖像。似然圖像中的局部最優(yōu)被用作參考系統(tǒng)和CNN的種子點。

直到最近，那些依賴于經(jīng)過人工精心篩選的特征集的CAD系統(tǒng)和許多其他模式識別應(yīng)用程序的有效性，或許要被學(xué)習(xí)算法終結(jié)了。通常，在特征設(shè)計過程中，科研人員需要咨詢放射科醫(yī)生，如損傷的對比，毛刺特征的樣式和邊緣的銳度。這些特征上的改變雖然給醫(yī)生們了解病理知識提供了豐富的土壤，卻使得科研人員對于人腦如何看待識別過程被執(zhí)行，產(chǎn)生了很大的偏差。自人工智能（AI）作為一門科學(xué)學(xué)科誕生以來，研究已逐漸從基于規(guī)則的、問題特定的解決方案，越來越向基于學(xué)習(xí)未知的、通用的問題上轉(zhuǎn)變，其中深度學(xué)習(xí)是AI領(lǐng)域的最新進展。

通過直接從訓(xùn)練樣本中提煉信息，而不是通過該領(lǐng)域的權(quán)威專家，深度學(xué)習(xí)使得科研人員能夠更好地利用不斷增加的數(shù)據(jù)量，盡可能減少人為偏見。對于許多模式識別任務(wù)，它已被證明是成功的，以至于現(xiàn)在有些系統(tǒng)可以達到人類，甚至超越人類的性能。

術(shù)語“深度”通常指的是學(xué)習(xí)系統(tǒng)中的分層非線性，這使得模型能夠以更少的參數(shù)來表示函數(shù)，并且促進更有效的學(xué)習(xí)。這些模型并不是才誕生，自20世紀70年代末以來，相關(guān)的科研工作就已經(jīng)在進行了。然而，兩篇有關(guān)深度網(wǎng)絡(luò)的論文發(fā)表（一篇是在2006年，由Hinton，Osindero撰寫，另一篇是在2007年，由Bengio，Lamblin，Popovici，Larochelle撰寫），論文發(fā)現(xiàn)，深度網(wǎng)絡(luò)可以通過貪婪算法、分層的方式訓(xùn)練，重新引燃了人們對人工智能的熱潮。

上圖為兩個系統(tǒng)的比較。候選檢測器生成一組候選位置。傳統(tǒng)的CAD系統(tǒng)（左）使用這些位置作為圖像分割算法的種子點。這些分割圖像用于計算基于區(qū)域的特征。第二個系統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）（右），以相同的位置為中心。

受限玻爾茲曼機器（R BM）、概率生成模型和自動編碼器（AE）、單層神經(jīng)網(wǎng)絡(luò)，當(dāng)把它們堆疊起來分別形成深信度網(wǎng)絡(luò)（DBN）和棧式自編碼神經(jīng)網(wǎng)絡(luò)（SAE）后，便成為了很好的模式識別器。目前，全監(jiān)督的卷積神經(jīng)網(wǎng)絡(luò)（CNN）占據(jù)著主導(dǎo)位置，相對于過去幾十年，AI這些年得到了高速發(fā)展，在很大程度上歸因于更有效的訓(xùn)練方法、硬件上的進步（如多核心計算的應(yīng)用），以及最重要的——大量的注釋訓(xùn)練數(shù)據(jù)。

在本論文中，科研人員通過一系列人工設(shè)計的特征，將卷積神經(jīng)網(wǎng)絡(luò)（CNN）和計算機輔助檢測和診斷系統(tǒng)（CAD）之間進行了比較，結(jié)果顯示，CNN勝過最先進的乳腺X線影像CAD系統(tǒng)，數(shù)據(jù)集大約在45000張圖像?？蒲腥藛T將檢測范圍集中在固體惡性病變，包括結(jié)構(gòu)扭曲，治療良性異常，比如假陽性的囊腫或纖維腺瘤。在該論文中，研究人員的目的并不是給出最簡特征集，而是使用一個完整的集合，其中包含所有通常應(yīng)用于乳房X光照相的描述符，并與深度學(xué)習(xí)的方法進行公平比較。

病變（a），其分割圖像（b），用于計算對比特征（c），以及用于計算邊緣銳度（d）的區(qū)域

過去兩年，對象識別的成功，可以部分歸功于科研人員明智地將卷積神經(jīng)網(wǎng)絡(luò)（CNN）與經(jīng)典計算機視覺技術(shù)相結(jié)合。本著這種理念，研究人員采用候選檢測器以獲得一組可疑位置，這些位置通過傳統(tǒng)系統(tǒng)或者CNN進行進一步檢查。我們隨后通過將學(xué)習(xí)的表示與諸如位置、對比度和患者信息等特征結(jié)合，來研究CNN到底在何種程度上仍然與傳統(tǒng)描述符是互補的。

在該論文中，研究人員證明，在乳腺X光影像的大數(shù)據(jù)集上訓(xùn)練的以卷積神經(jīng)網(wǎng)絡(luò)（CNN）形式的深度學(xué)習(xí)模型，超越了計算機輔助檢測（CAD）最先進的系統(tǒng)。因此，該網(wǎng)絡(luò)具有非常巨大的潛力，有助于推動科研水平的發(fā)展。其中，主要的優(yōu)點便是CNN利用數(shù)據(jù)學(xué)習(xí)，而不依賴領(lǐng)域內(nèi)的專家，這使得醫(yī)療水平發(fā)展更簡單、更快捷。同時，該論文表明，添加位置信息和配置指令可以輕松地添加到該網(wǎng)絡(luò)中，并且?guī)讉€手動設(shè)計的特征可以進行一些小的改進。除此之外，科研人員將CNN與三個有經(jīng)驗的醫(yī)生進行了比較，其中兩個是專業(yè)的放射科醫(yī)生，結(jié)果證明，人類讀取X光片的能力和卷積神經(jīng)網(wǎng)絡(luò)具有類似的性能。

手機掃碼閱讀

上圖為網(wǎng)絡(luò)架構(gòu)的圖示，數(shù)字表示的是使用的內(nèi)核的數(shù)量?？蒲腥藛T采用了VGG模型的縮小版本。為了看到常規(guī)特征仍然可以起作用的程度，網(wǎng)絡(luò)采用全監(jiān)督方式訓(xùn)練，隨后從最終層提取學(xué)習(xí)到的特征，并且與人工特征連接，并使用第二級分類器再訓(xùn)練。