弱监督学习在智慧医疗中的应用

HANGZHOUDIANZTUNIVERSITY课程论文论文题目：弱监督学习在智慧医疗中的应用课程名称 科学思维启蒙姓名 徐铭蔚学期 2019-2020学年第一学期开课学院 自动化学院（人工智能学院）课程属性 公共选修课任课教师 赵新颜HANGZHOUDUI4?TUNIVERSITY弱监督学习在智慧医疗中的应用徐铭蔚摘要：人工智能（AI）在医疗方面的应用有着非常光明的前景，不过这是一个比较新的领域，就像任何一项新技术的广泛应用需要有伦理考量和制度支持，AI在医疗方面的应用也存在着许多争议。将人工智能通过弱监督学习后的指标与人工判别相对比，发现机器识别的准确率跟人工识别和大量标注训练的结果差不多。我们希望通过这种方法，在减少标注工作量的情况下，更充分、有效地利用数据，用更多数据来训练，提高人工智能在辅助识别医疗图像方面的准确度。关键词：人工智能：弱监督学习：医疗图像：准确性中图分类号： 文献标识码：A 文章编号：0引言一篇2009年在英国《柳叶刀》［1杂志上发表的论文，它标题写的是“未来的挑战”。假如未来超过一半的人寿命超过100岁，对社会医疗系统将是非常大的挑战。现在人口老龄化已经非常严重，通常来说，人的年纪越大医疗成本就越高。假如超过一半人活过100岁，而人类又没有更好的医疗方法，将给社会带来很大的成本。而弱监督学习的优势就在于在减少标注工作量的情况下，更充分、有效地利用数据，充分发挥机器学习的能力，构建更复杂和精确的模型，通过端到端的深度学习方法培育这个系统，帮助在标签有限的情况下，进行医学影像的处理、分类和切割。下文将以弱监督在癌症识别以及通过深度学习视网膜基底照片来预测心血管疾病为例，探究弱监督学习在智慧医疗中的应用。1弱监督学习下的视觉显著性目标检测算法1.1弱监督学习下的算法框架［2］

本文所提弱监督学习下的视觉显著性目标检测算法的整体框架如图1所示。该算法在训练的过程中采用了迭代学习的方式，每次迭代训练视觉显著性目标的表征及其在显著图中的权测试图像集重，通过不断的迭代加强对重复目标的感知。这里，每次迭代学习分为3个阶段视觉显著性目标的表征学习，CRF的学习［3］，标注信息的更新。第一阶段，视觉显著性目标的表征学习，将图像进行分块，通过设定高阈值的图像块作为负实例。由于视觉显著性目标的具有多种表征，我们将所有的正实例进行聚类，将所有正实例标签成不同的成分，然后训练多标签下的SVM，从而获得视觉显著性目标的不同表征。第二阶段，CRF学习用CRF将学习到视觉显著性目标的表征进行联合学习获得视觉显著性目标的表征在最后显著性中的权重。第三阶段标注信息的更新过程利用学习到的视觉显著性目标的表征及CRF模型计算图像的显著性从而更新训练图像的标注信息。测试过程，根据最后选择的视觉显著性目标的表征及CRF系数计算测试图像的显著性。具体框架见下图图1本文所提算法框架2弱监督学习在智慧医疗中的应用2.1弱监督学习在癌细胞识别中的应用这个方法的基本概念是训练两个分类器，上面是正常细胞，下面是有癌细胞。希望通过自动训练分类器，让它在像素级别告诉人们一个细胞到底是癌细胞还是正常细胞。在统计出图中的细胞有癌还是无癌后，再把它放到下图中的训练方程式⑷里。MultipleInstanceLearning(Cancer) Pixel-level ImagZevel.,.(Cancer) Pixel-level ImagZevel.,.Prediction Predictional=Q，(匕，力fslC*=arginin{L}LearningProcedureConstrainedDeepWeakSupervisionfted*dikwi际小腿・讪fted*dikwi际小腿・讪下图为实验成果[5]:第二列是医生标注的结果，最右边一列是系统标出来的结果。可以发现，只要有癌细胞的地方，系统基本都找出来了。这是2012年还没有用深度学习时达到的效果，这五年里又取得了很多进步。整丑易皿州豚避米H曲划奢前网酿K煮襄散尽要3.乙HWSaWClD1!WSAMaJVgM!IFM!iF^umooq-HK

(f) Q) (») (p) <3)mdui

(«>6H60■J t66,0■J £66D•整丑易皿州豚避米H曲划奢前网酿K煮襄散尽要3.乙HWSaWClD1!WSAMaJVgM!IFM!iF^umooq-HK

(f) Q) (») (p) <3)mdui

(«>6H60■J t66,0■J £66D•JZ66*()■d2X6()■4oari-joooi-j(mm>i■j(MX)I-J岫o・4919,0-d9Ht0-J R叶0・』OJSO■d00^0■dM•潞骚盘ZIH,O-twoC9Z0■JAlLSaSAlNnIZNVianOHZSNVH糖尿病会对眼睛产生影响，其中最常见的微血管并发症之一是糖尿病视网膜病变[6][7]，这也是导致患者失明的原因之一。这个算法凶使用的128175张视网膜基底照片，由54名眼科医师专业评估(平均每张图被评估3-7次)。深度学习算法预测与现实结果非常接近，与有数年经验的眼科医生的诊断不相上下。尤其是在关于信号检测理论[9](signaldetectiontheory)的两个方面：1.敏感度(Sensitivity):正确诊断出有病的概率，高达90%，这也意味着‘有病被诊断成没病的漏诊率’约为10%2.特异度(Specificity):正确诊断出没病的概率，高达98%，这也意味着“没病被诊断特异度(Specificity):正确诊断出没病的概率，高达98%，这也意味着“没病被诊断”。下图为此过程涉及算法[10]AReferablediabeticretinopathy(RDR} B站卜refeiablecasesEYEPACS-1 MESS1DOR-2 EYEPACS-19*963Pot-enliallyeligiblernu-ges1748Potentiallyeligibleimages 9963PolentiallyeligibleimagesA17Excluded(circularmaskdetectionfailed) 1—>[ ¥___17Excluded(ctrtularmaskdetectionfailed)9946EligrNeimages 1748EligibleImages 9946Eligibleimages1158Excluded(not3Excluded(notfullygradable)FTfullygradable)*8788GradedbyaE-gorilhmforRDR(indextest)1745GradedbyalgorithmforRDR(indextest)9946Gradedbyalgorithmforalbcauserekrability[indexte^sl)8021GridedasnoRDRT767GradedasRDR1503Gradedasno242GmdedasRDR7636Gradedasnotreferable r 2310Gradedasallcausereferable__f¥IwT3021Gradedbyinajoritydecisiortof8ophtJialmDlogisis(referencestandard)767GradetibymajorityctecisidnotSophthalmalogists(referencestandard)1503Gradedbymajoritydecisionuf7ophthalmologists(referencestandard)242Gradedbymajorhydecisionof7ophthalmaliijgists(referencestandard)7636GradedbymajoritydecisionofSophthalmDlogists(referencestaniiard)2310Gradedbymajoritydecisionof8ophthalmologists(referencestandard)TT¥TTFinaldiagna&ls7955NoROR66RDRFinaldiagnosis150NqWR617RDRFin^ldiagnosis1469NoRDR34RDRFin^ldiagnosis22NoRDR加RE>RFinaldiagnosis5450rfj-diBlfR诚&而旧赢r&击MmC556SFinajldiagnosis4即:加如希1B21Albauwreterablecases3结束语希望未来通过端到端的深度学习方法培育这个系统，帮助人工智能在标签有限的情况下，进行医学影像的处理、分类和切割。这种方法除了前面提到的大肠癌，在很多其他领域也可以用到，比如肺癌、宫颈癌等。因为它们面对的是同样的问题，有很多数据需要标注。如果能减少标注时间，就能利用更多的数据。视网膜眼底照片检测糖尿病视网膜病变算法的通过不断改进，进一步量化了视网膜血管与主要心血管事件风险的关联，能以70%的准确率预测五年内哪一位患者会发生心脏病发作或其他重大心血管事件，哪一位患者不会。且这些结果符合需要抽血来测量患者胆固醇的测试方法。综上来看，人工智能通过弱监督学习和深度学习相融合的模式，能有效地提高医疗的效率，并保持一个较高的准确率。参考文献DesmondJohnSheridan;GerdHeusch;Threatstothefutureofcardiovascularresearch[J].TheLancet,2009,875-876李策，邓浩海，肖丽梅，张爱华.弱监督学习下的视觉显著性目标检测算法[M].北京：中国航天科工集团第二研究院706所，2017：1335-1341VidhyaNavalpakkam,LaurentItti.Modelingtheinfluenceoftaskonattention[J]VisionResearch.2004(2)日本研究人员开发出可高效识别不同类型癌细胞的人工智能系统[J].生物医学工程与临床.2019.01.25.55肺癌早期诊断人工智能系统[J].生物医学工程学进展.2019(02)王化湘，彭辉灿.底激光联合康柏西普治疗糖尿病视网膜病变的临床效果观察[J].中南医学科学杂志.2019.11.15.640-642王永成，王延武，朱广跃糖尿病视网膜病变视网膜神经纤维层厚度与相关生长因子变化研究[J].实用医院临床杂志。2019.11.01.225-227[8]VarunGulshan,PhD〔；LilyPeng,MD,PhD〔；MarcCoram,PhD1.DevelopmentandValidationofaDeepLearningAlgorithmforDetectionofDiabeticRetinopathyinRetinalFundusPhotographs[J].JAMA.2016;316(22):2402-2410.[9]朱玥,覃尧，董岚，王公仆.人工智能在移动通信网络中的应用：基于机器学习理论的信道估计与信号检测算法J2019.02.15.19-25[10]RyanPoplin,AvinashV.Varadara