搜文章
推荐 原创 视频 Java开发 iOS开发 前端开发 JavaScript开发 Android开发 PHP开发 数据库 开发工具 Python开发 Kotlin开发 Ruby开发 .NET开发 服务器运维 开放平台 架构师 大数据 云计算 人工智能 开发语言 其它开发
Lambda在线 > 东林的扯淡小屋 > 人工智能在疾病的应用--初步调研

人工智能在疾病的应用--初步调研

东林的扯淡小屋 2020-07-01

中文文献的启发:

基于智能手机的远程心电监护系统研究 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&dbname=CMFD201501&filename=1014078568.nh&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1Nocjh5aFhpWUNseVpwU0Q2b3M0ST0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MTMxNzkxRnJDVVJMMmVadWRuRkNyZ1U3L0JWRjI2R3JPL0Z0VEtwNUViUElSOGVYMUx1eFlTN0RoMVQzcVRyV00=

心电图快速检测分析心律失常,提出基于智能手机的心电信号分析方法,该方法首先利用Pan-Tompkins算法结合Hamilton规则来检测QRS波,并区分正常的心电信号和室性期前收缩信号,然后利用基于粗粒化过程的Lempel-Ziv (LZ)复杂度算法来分析高危心律失常,与此同时对比分析不同的粗粒化过程对心率失常分析的影响。通过对MIT-BIH数据库中的100条正常心电信号、120条心动过速和60条心室颤动进行仿真测试,结果表明该方法能够克服各种噪声对心电信号的影响,实现QRS波的精准检测。而且基于K-Mean粗粒化过程的LZ复杂度算法可以有效分离心动过速和心室颤动,是一种分析心律失常比较实用的方法。另外,在Android智能手机平台上开发心电监护系统并进行性能测试。

这是我一直想做的心电图的数据分析,能够通过心电图的时序电位输入来预测可能的基本分类。我们希望使用有标记的数据来使用神经网络算法来训练,得到收敛的参数,从而能够根据输入的新的数据输出可能的预测。

具体的实践需要我们有数据库级别的数据如MIT-BIH数据库、MGH/MF数据库等,而且需要编写一定的算法,在一定的机器运行,切切实实地观测其工作性能。


基于学习的心脏病理识别技术研究 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&dbname=CMFD201402&filename=1014193667.nh&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1Nocjh5aFhpWUNseVpwU0Q2b3M0ST0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MTQ4OTBmS3FKRWJQSVI4ZVgxTHV4WVM3RGgxVDNxVHJXTTFGckNVUkwyZVp1ZG5GQ3JuVzcvUFZGMjZHckt4SGQ=

计算机科学中的模式识别与医疗诊断相结合,应用于实时监测心脏状况, 由于心房肥大样本数据很少,这给模式识别的研究造成了巨大的障碍,本文针对心房肥大进行专门研究,研究了在心房肥大数据样本较少情况下的训练与识别算法。研究了人工神经网络和支持向量机(Support vector machine,SVM)在心房肥大识别上的应用,显示了基于统计学习模型的支持向量机在样本较少情况下的优势。

模型的融合来实现各种性能的提升,提出新的架构。利用神经网络算法来理解病理切片,进行病理组织和正常组织的分类。


基于BP神经网络的脑血管疾病专家诊断系统研究 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&dbname=CMFD2009&filename=2008173148.nh&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1Nocjh5aFhpWUNseVpwU0Q2b3M0ST0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MTc2OTdyN1BWMTI3RnJLL0hkRElwNUViUElSOGVYMUx1eFlTN0RoMVQzcVRyV00xRnJDVVJMMmVadWRuRkNyZ1U=

脑血管疾病已成为危害中老年人身体健康和生命的主要疾病。根据其病理变化分为出血性和缺血性脑血管病两大类,主要症状表现为:头痛、眩晕、恶心、呕吐、偏瘫、偏身感觉障碍、偏盲、失语、嗜睡或昏迷等。人工神经网络是近期发展最快的人工智能领域研究成果之一。BP神经网络模型是阶层型神经网络中使用最广泛的一类,它通过迭代梯度算法求解前馈网络的实际输出与期望输出之间的最小均方差值,并能反向传递和修改误差。随着误差逆传播修正的不断进行,网络对输入模式响应的正确率也不断上升。当参数适当时,此网络能够收敛到较小的均方差。针对BP神经网络收敛缓慢的缺陷,L-M算法代替梯度下降法训练神经网络,建立了基于L-M算法的脑血管疾病BP神经网络模型。该算法较梯度下降算法大大加快了网络的训练速度,BP神经网络模型共三层由16个输入层节点,11个隐含层节点,4个输出层节点组成,用该模型可以根据16个脑血管疾病典型症状诊断出4种脑血管疾病

神经网络的构造,可以应用更大的数据症状来诊断更多的疾病。理论上只要数据足够多,我们可以无限逼近最好的医生,甚至超越。

 

医学知识图谱构建技术与研究进展 - 中国知网

http://kns.cnki.net/KCMS/detail/51.1196.tp.20170818.1709.086.html?uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1Nocjh5aFhpWUNseVpwU0Q2b3M0ST0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MjU0MjhZdzlNem1SbjZqNTdUM2ZscVdNMENMTDdSN3FlWU9kdUZ5SG1VYnJMSkZnPUx6N1NaTEc0SDliTXA0NU5aT29J

可以理解为疾病的特征工程,理论上我们可以通过特征的选择性组合来理解任意的疾病。如同卷积神经网络,能够结合底层的特征和高维的特征,最好产生一定的分类识别。

  

人工智能专家系统在呼吸系统疾病中的应用 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFD2005&filename=GWLK200512009&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MDU0MzZyV00xRnJDVVJMMmVadWRtRmlublZMN0xJanJIWmJHNEh0VE5yWTlGYllSOGVYMUx1eFlTN0RoMVQzcVQ=

人工智能专家系统是在疾病诊断、治疗和预后判断等方面发挥重要作用的一门新的技术科学。本文对人工智能专家系统的概念、发展、组成、在呼吸系统疾病中的应用、存在问题等方面进行综述。

 

智能医疗:人工智能时代对公共卫生的机遇与挑战 - 中国知网

http://kns.cnki.net/KCMS/detail/11.5181.TP.20171102.1648.002.html?uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MDYwMjJHNEg5Yk5ybzlFWk9zT1l3OU16bVJuNmo1N1QzZmxxV00wQ0xMN1I3cWVZT2R1RnlEa1VyM0JJVjg9SVRmUmVi

第一,用人工智能的医生补充人类医护人员,以解决未来医护人员稀缺的问题;第二,用人工智能助力药物挖掘的效率,加速药物开发的过程;第三,在人工智能的基础上,提高个性化用药的水平,并通过精准医疗最终解决癌症这一难题。

 

基于深度学习的糖尿病性视网膜图像分析算法研究 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&dbname=CMFD201701&filename=1017051271.nh&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MTMxMDdTN0RoMVQzcVRyV00xRnJDVVJMMmVadWRtRmluaFU3dlBWRjI2R2JPOUg5UExycEViUElSOGVYMUx1eFk=

基于深度神经网络的糖尿病性视网膜图像分类系统,根据视网膜数据集的特殊性提出了一系列图像预处理方式,设计了紧凑的神经网络模型——CompactNet,CompactNet继承了 AlexNet的浅层结构参数,深层网络参数则根据训练数据进行自适应调整。


图像处理,分隔分类

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&dbname=CMFD201701&filename=1017805031.nh&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MTg2MzJUM3FUcldNMUZyQ1VSTDJlWnVkbUZpamxVN3ZBVkYyNkdidTRHOUhQcnBFYlBJUjhlWDFMdXhZUzdEaDE=


应用人工神经网络研究miRNA与高级别卵巢浆液性囊腺癌预后的关系 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&dbname=CMFD201702&filename=1017156819.nh&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MTg0NjdlWnVkbUZpamtWcjdQVkYyNkdiSzlHTm5OcHBFYlBJUjhlWDFMdXhZUzdEaDFUM3FUcldNMUZyQ1VSTDI=

推测miRNA表达与疾病表型之间不是线性关系,而是非线性关系。人工神经网络(Artificial neuralnetwork,ANN)是一种人工智能模型,是类似生物神经网络的信息处理结构,它对解决一些非线性、非平稳、复杂的问题具有较好的预测性能。其中,常用的多层感知器(multi-layerperceptron,MLP)是一种简单的前馈网络,类似于单个生物神经元。人工神经网络是生物信息学潜在的强大的工具,已经在许多领域、不同水平上成功应用。数据与方法:TCGA平台下载高级别卵巢浆液性囊腺癌的临床数据,使用标准统计学方法来分析临床数据,包括log-rank检验和Cox回归分析及描述性统计分析。结合所有统计检验结果,p<0.05时考虑有统计学意义。在TCGA平台下载与高级别卵巢浆液性囊腺癌相关的miRNAs表达数据,并利用GDC分析工具筛选出与高级别卵巢浆液性囊腺癌生存期相关的miRNAs,选择log-rank检验p值最小的10miRNAs建立预测高级别卵巢浆液性囊腺癌预后的人工神经网络模型。分析主要使用SPSS 19.0进行。结果:1、高级别卵巢浆液性囊腺癌的生存期与年龄、肿瘤分期、细胞减灭术后残留病灶直径、对铂类药物敏感性相关。2miRNAs在不同的病例样本中表达不同。3、在TCGA平台利用GDC分析工具筛选出56个可能与高级别卵巢浆液性囊腺癌预后相关的miRNAs,并构建了miRNA预测高级别卵巢浆液性囊腺癌患者预后的人工神经网络模型。结论:1、高级别卵巢浆液性囊腺癌患者的临床预后因素包括年龄、肿瘤分期、细胞减灭术后残留病灶直径以及对铂类药物敏感性。2miRNA的表达与高级别卵巢浆液性囊腺癌患者预后相关。3miRNA的人工神经网络模型可用于预测高级别卵巢浆液性囊腺癌患者的预后


基于临床数据的糖尿病辅助诊疗研究 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&dbname=CMFD201701&filename=1017805031.nh&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MTg2MzJUM3FUcldNMUZyQ1VSTDJlWnVkbUZpamxVN3ZBVkYyNkdidTRHOUhQcnBFYlBJUjhlWDFMdXhZUzdEaDE=

由于文章中使用的数据都是从医院内获得的真实的医疗数据,为了保证接下来的分析都能建立在一个较好的结构化数据上,文章先对数据进行了预处理和数据清洗。在明确了分析内容后,文章根据数据源,确定了分析目标和分析人群。接着,文章对这些人群的数据进行了多维分析和数据挖掘,获得了一些数据特征,并以此为基础构建数据模型。在分析了数据模型的特点之后,文章选取了BP神经网络作为预测模型,同时加以改进,以应对数据模型不规则时序特性以及内部复杂的相互关系,从而能够得到更好的预测结果来辅助医生确定治疗方案,以此来达到辅助诊疗的目的。之后,为了验证本文所提出的模型有更好的预测效果,研究过程中也加入了对比实验。实验结果表明,与普通的BP神经网络、XGBoost算法相比,本文模型的预测效果更好,适用于糖尿病生化指标变化趋势预测。最后,文章设计了一个系统,以搭载分析模型,通过系统,来实现以临床数据为基础的糖尿病辅助诊疗


数据挖掘:

深度学习语境下的甲状腺超声辅助诊断App的设计研究 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2017&filename=YSKK201704078&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MjEwMTJxNDlDYklSOGVYMUx1eFlTN0RoMVQzcVRyV00xRnJDVVJMMmVadWRtRmlqa1ZidkFQRDdBWmJHNEg5Yk0=

人工智能领域的一种机器学习方法,为甲状腺超声诊断的智能化提供了可能性,如何将该技术运用于甲状腺超声诊断,提高诊断准确性和用户满意度具有重要意义。本文将从交互设计、视觉设计等角度出发,研究深度学习语境下的甲状腺超声辅助诊断App的设计原则和设计方法。


可能的创业方向:

拥抱数字病理时代 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2017&filename=YYLC201705003&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MDMwNjZHNEg5Yk1xbzlGWjRSOGVYMUx1eFlTN0RoMVQzcVRyV00xRnJDVVJMMmVadWRtRmlqa1c3cktQRFRIYmI=

病理学在疾病诊断中起着决定性的作用,但目前仍然是利用光学显微镜对细胞和组织的形态学信息辅以原位分子信息进行分析研究。数字显微设备可以对整张病理切片进行高质量全数字化扫描,形成数字切片后经计算机实现动态观察、并通过网络实现远程传输与共享等。数字切片可以集成到已有医院信息数据库,人们可通过内网或者英特网访问这些数据并用于教学、诊断、远程咨询等。组成数字切片的上亿级的离散像素的海量数据汇集让计算机图像分析和人工智能诊断成为可能


人工智能时代——智能精准医学影像 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2017&filename=XFCR201601028&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MjA0NzBmTXJvOUhiSVI4ZVgxTHV4WVM3RGgxVDNxVHJXTTFGckNVUkwyZVp1ZG1GaWprVmJ2S1BTdklmTEc0SDk=

()基于放射学影像的智能诊断解决方案基于海量的放射影像大数据和人工智能深度学习、数据挖掘技术、图像分割、特征提取技术,准确识别疾病病灶并量化,为医生提供最专业的诊断依据,为个人提供最贴心的健康分析。()基于病理学影像的智能诊断解决方案利用染色病理涂片图像,结合深度学习人工神经网络,聚类分析、多分辨率、模糊逻辑算法和边界识别进行病理状态下细胞区域图像分割、图像特征提取,并使用多级分类处理,准确识别病理细胞数量和级别。 

病理切片的人工智能算法分类,取代病理医生。

 

基于人工智能的煤工尘肺患者发病预测的复合模型研究 - 中国知网

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2017&filename=KJZW201702265&uid=WEEvREcwSlJHSldRa1FhcTdWZDhML1NnVTI3TTlFaUljZjJYeEp6b3VJaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MjY0NDRSTDJlWnVkbUZpamxVcnZBTGlmUmViRzRIOWJNclkxRFlZUjhlWDFMdXhZUzdEaDFUM3FUcldNMUZyQ1U=

基于现有的人工智能预测理论结合煤工人尘肺患者发病工龄预测研究现状,引入了智能模型两两相结合的建模思路,从而改善模型计算效率和预测精度。为煤工尘肺患者发病预测能应用于疾病预防实践打下基础。 

可能的流行病学的研究

 

 


 个人总结:

通过大数据+计算力+算法,实现的人工智能能够在多方面超越人类,尤其是诊断,可以理解为在多方面证据作出的模式识别,可以视为机器学习的分类问题。

1部分替代医生的职能2有利于药物发现3个性化用药

我期望的是有助于生物科研,如各种生物学的保守机制能够对应于算法训练收敛的结果。我们认为以数据的思维能够给疾病和健康提供新的理解认识,而且能够解决很多限制无菌的难题,如医疗资源有限导致的医患矛盾

收集并分析大量数据和信息,运用人工智能的机器学习和计算方法,进行运算,得到我们期望的结果。

诊断癌症:2017年,来自谷歌、谷歌大脑与Verily公司的科学家们开发了一款能诊断乳腺癌的人工智能产品,病理学家的诊断准确率仅仅七成。通过识别人类无法识别的特征,然后组合起来能够比医生有更高的准确率。比如说皮肤癌[1]。以及非小细胞肺癌[2]。

健康管理,个体化医疗:机器学习应用于营养学的积极意义,可以以血糖为指标,进行健康饮食指导。

医疗诊断:运用深度学习算法挖掘大数据进行病理诊断

开发图像识别软件找出恶性肿瘤并进行诊断。通过大数据与人工智能技术来对人体的健康要素进行监测、记录,并通过分析这些记录和数据得出更加准确和有效的健康管理计划,可以追踪每个病人的医疗数据,从而迅速了解病人的病史,并借助相应的数据分析来判断最佳的治疗方案。

参考文献:

[1] Esteva A, KuprelB, Novoa R A, et al. Dermatologist-level Classification of Skin Cancer withDeep Neural Networks[J]. Nature, 2017, 542(7639): 115-118.

[2] Yu K, Zhang C, BerryG J, et al. Predicting Non-small Cell Lung Cancer Prognosis by Fully AutomatedMicroscopic Pathology Image Features[J]. Nature Communications,

[3] Zeevi D, Korem T, Zmora N, et al. Personalized Nutrition by Predictionof Glycemic Responses[J]. Cell, 2015,163(5): 1079-1094.

版权声明:本站内容全部来自于腾讯微信公众号,属第三方自助推荐收录。《人工智能在疾病的应用--初步调研》的版权归原作者「东林的扯淡小屋」所有,文章言论观点不代表Lambda在线的观点, Lambda在线不承担任何法律责任。如需删除可联系QQ:516101458

文章来源: 阅读原文

相关阅读

关注东林的扯淡小屋微信公众号

东林的扯淡小屋微信公众号:yudonglinCHEDAN

东林的扯淡小屋

手机扫描上方二维码即可关注东林的扯淡小屋微信公众号

东林的扯淡小屋最新文章

精品公众号随机推荐