「肺炎 X 光病灶識別」挑戰賽：幾行程式碼，就能讓醫療檢測準確率 20% 的提高！

自 2017 年 7 月GWY印發《新一代人工智慧發展規劃》以來，中國人工智慧技術得以迅猛發展，並在金融、醫療、教育、交通、社交等領域快速推廣。

尤其在醫療這個擁有海量資料、嚴格判斷規則且存在大量重複性勞動的現實場景中，人工智慧的特性完全契合了這些工作需求，併發揮著重要的作用。

訓練時長短、準確度高的 AI 醫療

正是由於 AI 具備對大量資料學習與判斷的能力，透過對大量 X 光片資料集的訓練，智慧體能夠在很短的世界內達到接近人類的識別準確度。

早在 17 年時，吳恩達等研究者藉助國立衛生研究院公佈的 10 萬幅 X 光片對人工智慧演算法進行訓練，就能使該智慧體在短短兩個月的時間，檢測精度超越放射科醫師水平。

而除了肺炎外，人工智慧演算法也能根據 X 光片，診斷出其它疾病，包括：纖維變性、疝氣以及細胞團塊等；它能夠高效分析 CT 頭掃描疑似中風，並標記那些更容易出現腦溢血的人，然後將它們集中起來供放射科醫師重點檢查。

甚至這種演算法還可以幫助發現乳腺 X 光影像中那些放射科醫生肉眼難以發現的乳腺腫瘤。並且值得一提的是，資料顯示人工智慧的診斷準確率也高於國立衛生研究院的基準線。

當然，AI 醫療遠不止識別 X 光片、判斷病情，它還可以幫助醫生有效提高病例錄入效率、輔助醫生進行藥物研發、提供診療方法參考等。

AI 醫療核心技術

從這些例項中我們會發現，AI 醫療的應用非常廣泛，但 AI 病理開發環節主要涉及到了三個部分，包括了：資料積累、演算法開發、場景應用環節；而這三大環節所包含的 AI 病理診斷及醫學影像識別核心技術，其實也主要涉及到三部分：

• 首先是 資料探勘，主要應用於資料採集環節。在這一部分，人工智慧需要從大量的資料中自動搜尋其中與病理特徵有著相關性的影像資訊；而高質量的資料資源正是進行有效演算法開發的關鍵。

• 其次是 影像識別，主要應用於資料分析環節。透過對影像等多媒體醫療非結構化資料的識別與分析，從而實現對具有臨床意義資訊的提取。

• 最後是 深度學習，主要應用於學習和分析環節，也是整個 AI 診斷中最核心的環節。正因臨床醫學能夠提供極為豐富的相關資料，利用深度學習對人工智慧（AI）進行訓練的難度就越低，它可以達到較高效能，應用也十分靈活。

可以看到，在臨床應用中的 AI 醫療核心流程即：以傳統醫療手段中採集到的醫療資料作為基礎，透過這些資料對人工智慧進行相應的訓練，然後根據臨床治療經驗建立人工智慧醫療圖譜。當然，由於應用場景、病種、病程等不同，病理資料的獲取、分類也將有所區別。

肺炎 X 光病灶識別

AI 病理診斷技術可大幅縮短醫生的工作量，提高放射學、病理學等依賴醫學影像支援的專業的診斷效率和準確性。