数据变“药方”,深度学习可以追踪肿瘤发展
技术创新正在变革医疗与健康产业,雷锋网持续关注医疗领域出现的软硬件创新,包括设备、数据,抑或对他们的创新运用。目前我们在招募医疗健康领域作者,负责采写报道医疗科技领域的企业与牛人。简历投递至zhangchi@leiphone.com,或加微信nksimons撩。
长期以来,医生都是用肉眼查看医学图像,来确定癌症治疗过程。不过来自Fraunhofer医学图像计算研究所的研究人员开发的软件,可以提示图片中的变化,用深度学习加速诊断过程。
在治疗过程中,医生需要回答肿瘤是否有收缩,是否有新的肿瘤发展,这样的问题。为此他们通常会进行CT和MRI扫描,然后观察图像进行评估。这一过程中难免出现差错,但软件可以确实肿瘤的体积如何随着时间的变化而变化,并帮助检测新肿瘤。这种新的程序由模块化的处理组件组成,可以帮助医疗技术制造商自动监测进度。
程序使用了深度学习技术,它有助于图像分割,期间专家会指定出精确的器官轮廓。现有的分割程序会根据清晰的图像特征来完成这一过程,比如一定的灰度值。但这往往会产生错误,比如软件会将不属于某一器官的区域分给它。这些错误要由医生来纠正,但通常很耗时。
新的深度学习方法则可以改善结果,节省时间。研究人员用149个患者的CT肝脏图像训练软件,结果表明,程序分析的数据越多,就越能自动识别出肝脏轮廓。
新方法的另一应用是图像配准,即软件会将不同条件下患者的图像进行匹配,方便医生进行比较。机器学习可以帮助定位躯干中的骨转移
(原发于身体其他部位的恶性肿瘤,通过各种途径转移至骨骼并在骨内继续生长所形成子肿瘤),这都是极困难的任务。目前,这种转移往往会因为临床诊断的时间限制而被忽视,但深度学习方法能帮助尽早发现,提高治疗效果。
现在,机器学习在医疗上的应用已经很普遍,有商业医疗软件加入了这类图像配准算法。雷锋网(公众号:雷锋网)曾介绍了12家用机器学习与癌症作战的公司,除了影像诊断,还涉及药物挖掘和风险预测等。或许,以后数据也会成为新的治疗“药方”。
本文作者:张驰
本文转自雷锋网禁止二次转载,原文链接
相关文章
- net6 学习汇总
- 跟李沐学Ai 04 数据操作 + 数据预处理【动手学深度学习v2】
- 【学习笔记12】:JavaScript自增自减前置后置语法
- makefile学习(2)
- 深度学习中图片数据增强方法
- 大数据与机器学习:实践方法与行业案例导读
- 小白学数据 | 28张小抄表大放送:Python,R,大数据,机器学习
- 2017GAITC| 通用AI之路:继续大数据驱动深度学习还是另寻他途
- 《机器学习与数据科学(基于R的统计学习方法)》——第2章 连接数据
- 《机器学习与数据科学(基于R的统计学习方法)》——2.7 使用文件连接
- 《机器学习与数据科学(基于R的统计学习方法)》——2.8 读取JSON文件
- 盘点76个当下全球免费、优质机器学习数据集获取资源
- (数据科学学习手札141)利用Learn Git Branching轻松学习git常用操作
- (数据科学学习手札137)orjson:Python中最好用的json库
- (数据科学学习手札100)搞定matplotlib中的字体设置
- (数据科学学习手札89)geopandas&geoplot近期重要更新
- (数据科学学习手札13)K-medoids聚类算法原理简介&Python与R的实现
- 大数据学习——actor编程
- 大数据学习——三大组件总结
- 深度学习目标检测:YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
- 【Unity3D数据集合】(六)散列集合HashSet和排序集合SortedSet学习
- 【Unity3D数据集合】(三)字典Dictionary和哈希表Hashtable学习
- javascript学习-创建json对象数据,遍历
- 【python 学习】——pycharm终端解释器和Python解释器配置
- 【深度学习】——利用pytorch搭建一个完整的深度学习项目(构建模型、加载数据集、参数配置、训练、模型保存、预测)
- 【深度学习之美】神经网络不胜语, M-P模型似可寻(入门系列之三)
- 深度学习 Day 7——如何使用对抗网络生成手写数字?
- HBase 表数据读取解析之 一个需求学习 HBaseAPI
- Three.js学习-光照和阴影(了解向)
- 大数据+深度学习:未来两年内将成为大部分企业的标配
- 机器学习、数据科学、人工智能、深度学习、统计学等的区别