据香港星岛日报报道,人工智能技术愈趋成熟,应用范畴更广泛。香港中大计算器科学与工程学系教授王平安及其研究团队,成功发明可检测医学影像的人工智能影像识别技术。他们利用人工智能系统,以 学习(Deep Learning)不断“练习”判断医学影像。
在未来应用方面,王平安称,团队将联同北京三所医院合作开发,优化识别肺结节病变的技术。他称会与本地公立医院合作,希望进一步提升准确度,获医学界认可后,目标一至两年后可作广泛应用。他又称,智能影像识别技术理论上可广泛应用于不同癌症,但个别罕有病,病人数据不多,影响系统准确性。
中金公司(CICC)6 月 19 日发布的人工智能相关领域的证券研究报告指出,语音交互、计算机视觉、认知计算等技术蓬勃发展,助推了语音录入病例、医疗影像智能识别、辅助诊疗/癌症诊断、医疗机器人、个人健康大数据等多个具体医疗应用场景取得快速突破。
对于其中的医疗影像智能识别,报告指出,目前上市公司和创业公司正在纷纷布局,整体处于商业化初期阶段。而医疗影像识别的主要难点在于数据获取、数据标注和跨学科人才积累。
数据获取:数据是 学习算法所需的核心资源,仅掌握算法而缺乏数据无法获得较好的训练效果。现阶段,我国的医疗影像仍处于从传统胶片向电子数据过渡的阶段,大量影像资料尚未数字化,且医院之间的数据共享和互通程度较低,获取大规模的数据对业内公司是一个考验;
数据标注:在获取数据的基础上, 学习结合先验知识对模型进行训练,训练集需要事先标注。由于大多数标注依赖人工识别,因此数据标注将耗费较大量人力和时间,在医疗影像领域获取具有高可靠性的标注数据也成为挑战之一;
“AI+医疗”跨学科人才积累:在较为专业的诊疗领域,应用及平台开发者不仅要研究人工智能算法,更要对医疗影像识别建立深入了解,人工智能+医疗的复合背景人才构成核心竞争力之一。
(免责声明:本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时,应及时向本网站提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后,将会依法尽快联系相关文章源头核实,沟通删除相关内容或断开相关链接。 )