宋子航

摘 要 文章首先論述了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展背景及其一般結(jié)構(gòu)，之后介紹了深度學習技術(shù)的相關(guān)概念、模型，將深度學習技術(shù)和早期的人工神經(jīng)網(wǎng)絡(luò)進行對比分析，接著重點闡述了深度學習在醫(yī)療領(lǐng)域的應用現(xiàn)狀，最后展望了深度學習技術(shù)的前景。

關(guān)鍵詞 深度學習；醫(yī)療；神經(jīng)網(wǎng)絡(luò)；應用

中圖分類號 G2 文獻標識碼 A 文章編號 1674-6708（2018）213-0121-02

2016年初，由谷歌DeepMind團隊開發(fā)的圍棋機器人AlphaGo四比一擊敗當時世界排名第一的韓國棋手李世石，2017年5月27日，AlphaGo又一次三比零完勝世界圍棋冠軍柯潔，震驚了世人。AlphaGo之所以擁有如此驚人的圍棋技術(shù)，在于DeepMind團隊為其研發(fā)的基于深度學習技術(shù)的核心圍棋算法[1]。

在醫(yī)療領(lǐng)域中，要做到精準診療，常常需要借助影像設(shè)備獲取圖像（如超聲成像，X光、CT、MRI等），另一方面也需要準確的解讀圖像。目前，醫(yī)學影像的判讀主要依靠影像醫(yī)師完成，這樣就會產(chǎn)生如醫(yī)師的主觀性，以及醫(yī)師經(jīng)驗對判讀結(jié)果的影響等問題，而且醫(yī)師長時間重復工作容易產(chǎn)生疲勞，從而增加了誤讀的風險。目前，許多科技公司都在進行利用深度學習技術(shù)來進行醫(yī)學影像識別、疾病診斷等方面的研究，從而輔助醫(yī)師做出更有效地決策[2]。

那么什么是深度學習技術(shù)，以及它在醫(yī)療領(lǐng)域里有哪些具體應用呢？未來將如何改變現(xiàn)有的醫(yī)療活動呢？本文將對深度學習技術(shù)的相關(guān)概念、理論以及在醫(yī)療領(lǐng)域的具體應用進行詳細介紹，探討未來深度學習技術(shù)帶給醫(yī)療領(lǐng)域的可能變化。

1 人工神經(jīng)網(wǎng)絡(luò)與深度學習

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，即ANN ）是機器學習的一個分支。研究者們先后提出了許多神經(jīng)元模型及其理論，其中應用最為廣泛的是1943年由心理學家W.S.McCulloch和數(shù)理邏輯學家W.Pitts提出的M-P模型。M-P模型的基礎(chǔ)是人腦神經(jīng)元的基本特性，它的提出也是人工神經(jīng)網(wǎng)絡(luò)研究時代的開端。20世紀60年代，神經(jīng)網(wǎng)絡(luò)學者在M-P模型基礎(chǔ)上提出了許多新的模型，包括感知器、自適應線性元件等，極大地推動了人工神經(jīng)網(wǎng)絡(luò)發(fā)展[3]。人工神經(jīng)網(wǎng)絡(luò)是從信息處理的角度對大腦神經(jīng)元網(wǎng)絡(luò)進行建模，圖1給出了人工神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)一般由數(shù)據(jù)輸入層、隱含層以及結(jié)果輸出層3個部分構(gòu)成。圖中的每個圓圈代表一個網(wǎng)絡(luò)節(jié)點，用來模擬人腦中的神經(jīng)元，節(jié)點之間的箭頭模擬神經(jīng)元之間的突觸連接。輸入的節(jié)點可以是1個也可以是多個，隱含層的節(jié)點一般有多個，輸出層一般包含一個節(jié)點。信息由輸入層輸入，經(jīng)過隱含層的處理，最終由輸出層輸出。

1.2 深度學習

Hinton等人于2006年最早提出了深度學習的概念，深度學習是人工神經(jīng)網(wǎng)絡(luò)的一個重要的研究領(lǐng)域。對于深度學習來說，它的核心概念就是模擬大腦的多層級的信息處理方式，將輸入信息分層解讀，得到輸入信息的一系列的特征[4]。淺層學習如人工神經(jīng)網(wǎng)絡(luò)（BP算法）、SVM、Boosting、最大熵方法等大都是帶有一層隱層節(jié)點或沒有隱層節(jié)點的淺層模型，但這些模型處理復雜問題時能力有限，而深度學習增加了隱層節(jié)點數(shù)量，具有優(yōu)異的特征刻畫能力以及泛化能力。深度學習的具體模型有很多，例如，深信度網(wǎng)絡(luò)（Deep Belief Networks）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）、限制波爾茲曼機（Restricted Boltzmann Machine）、自動編碼器（AutoEncoder）等。

2 深度學習在醫(yī)療領(lǐng)域的應用

目前，深度學習技術(shù)已在圖像識別、語音識別、自然語音處理等方面有了十分成功的應用，但在醫(yī)療領(lǐng)域與深度學習結(jié)合的研究較少，商業(yè)化應用的項目更是屈指可數(shù)。許多科技公司正在嘗試通過深度學習技術(shù)，進行醫(yī)學影像分析、疾病診斷等工作，從而降低醫(yī)生的工作強度，提高工作效率，彌補醫(yī)療資源不足[5]。

2.1 醫(yī)學影像分析

在現(xiàn)代的醫(yī)療活動中，醫(yī)學影像分析是不可或缺的一個環(huán)節(jié)，在傳統(tǒng)的人工影像識別中，醫(yī)生常常會由于疲勞而降低工作效率，一些新手醫(yī)生也可能因為經(jīng)驗不足而出現(xiàn)識別誤差。通過深度學習技術(shù)，可以有效解決上述問題，提高影像判讀的準確性。目前，深度學習在醫(yī)學影像分析方面已經(jīng)有許多成功的應用，如肺癌肺結(jié)節(jié)檢測、病理片檢測、皮膚癌檢測、視網(wǎng)膜病變檢測等。Airdoc的研究者與眼科專家合作，從大量眼病患者的眼底照片中訓練深度神經(jīng)網(wǎng)絡(luò)模型，該模型可以檢測糖尿病視網(wǎng)膜病變的嚴重程度，通過與醫(yī)生的判讀的對比，模型的準確性能夠達到三甲醫(yī)院資深眼科醫(yī)生的水平，對眼科專家不足的地域和廣大基層醫(yī)療機構(gòu)開展篩查具有十分重要的現(xiàn)實意義。目前，病理醫(yī)生在診斷癌變細胞時的主要方法是活組織切片檢查法，這種方法操作復雜且耗時，對于一些細小的組織，用肉眼進行觀察判讀的難度很大，因此需要開發(fā)一種機器判讀的方法來提高判讀的準確率。IBM公司研究人員用深度學習的方法識別組織樣本的特性，對腫瘤擴散情況進行評估，取得了堪比人類專家的識別準確率。

2.2 疾病診斷

深度學習技術(shù)不僅可以在醫(yī)療影像識別中發(fā)揮作用，還可以對疾病進行智能診斷。2011年，Watson問世，Watson在4年多的時間里學習了大量的腫瘤領(lǐng)域的教科書、醫(yī)學期刊等各類文獻，之后Watson被應用在臨床上，在癌癥的診斷及治療方面向腫瘤醫(yī)生提出癌癥診療建議。在癌癥診療方面，英偉達的研究人員與美國國家癌癥研究所等單位合作開發(fā)了一套輔助癌癥研究的人工智能系統(tǒng)。該系統(tǒng)利用深度學習技術(shù)，從之前大量的診療數(shù)據(jù)中探尋癌癥治療的規(guī)律與模式以及腫瘤擴散的原因，能夠為癌癥患者推薦最適合的治療方案。2017年7月，由來自斯坦福大學的客座教授吳恩達（Andrew Ng）領(lǐng)導的研究團隊，展示了一個深度學習模型可以從一個心電圖（ECG）鑒別心臟的心律失常，該方法可以對潛在的致死性心律不齊做出比心臟醫(yī)生更加可靠的診斷。對于一些醫(yī)療水平較低的地區(qū)來說，這種自動化的方法可以提高這些地區(qū)的心臟疾病診斷水平。在全球范圍內(nèi)，癌癥的種類成百上千，每一種癌癥的發(fā)病原因各不相同，因此，選擇合適的治療方案是目前癌癥治療領(lǐng)域面臨的難題。

2.3 其他

除了在以上領(lǐng)域的應用，深度學習還可以提高醫(yī)學數(shù)據(jù)的收集和處理的效率，提高預測基因的準確率與效率，預測基因表達等。在傳統(tǒng)的藥物研發(fā)中，存在著研發(fā)周期長、成本高、過程復雜等問題，通過深度學習系統(tǒng)，可以縮短藥物的研發(fā)周期，降低研發(fā)成本，簡化過程，提高藥物研發(fā)的效率，使得更多的藥物得以發(fā)現(xiàn)。同時，深度學習技術(shù)已經(jīng)被應用在移動醫(yī)療中，它可以通過傳感器實時監(jiān)控病人的健康情況，并向病人提供可行的治療計劃。雖然深度學習在醫(yī)療領(lǐng)域的前景廣闊，但仍存在一些問題尚未解決，比如系統(tǒng)學習時數(shù)據(jù)的準確性，由于病人和醫(yī)生對深度學習不理解而產(chǎn)生的不信任，還有基于人文觀念的對深度學習的不接受等。

3 結(jié)論

深度學習技術(shù)在某些方面具有高于大部分人類的能力，如果能夠?qū)⑸疃葘W習技術(shù)廣泛應用在人類生活的各個領(lǐng)域，那么人們的生活將會更加便利和高效，特別是在醫(yī)療領(lǐng)域，醫(yī)生對疾病的診療將更加準確，患者也將得到更加完善、精準的治療。雖然目前深度學習技術(shù)在醫(yī)療領(lǐng)域還沒有大規(guī)模應用，但在醫(yī)學影像分析、疾病診斷等方面也已經(jīng)有了令人欣喜的突破，相信在不久的將來，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)在理論、工程等方面的進一步發(fā)展，深度學習將會為人們生活帶來更加深刻的改變。

參考文獻

[1]李國良.AlphaGo[J].智力（提高版），2016（4）：8-11.

[2]張方圓，郁蕓，趙宇，等.人工神經(jīng)網(wǎng)絡(luò)在臨床醫(yī)學中的應用[J].北京生物醫(yī)學工程，2016，35（4）：318-324.

[3]余凱，賈磊，陳雨強，等.深度學習的昨天、今天和明天[J].計算機研究與發(fā)展，2013，50（9）：1799-1804.

[4]孫志軍，薛磊，許陽明，等.深度學習研究綜述[J].計算機應用研究，2012，29（8）：2806-2810.

[5]蘇寶星.基于深度學習的醫(yī)學圖像模式分類研究[D].金華：浙江師范大學，2016.