图片来源:CDAPEX 编译 | Ziqi Zhang 编辑 | Donna 【AI科技大本营导读】澳大利亚阿德莱德大学的在读医学博士生、放射线学专家Luke Oakden-Rayner的医疗AI领域最新成果分析系列《人类医学的终结 - 医学AI研究最前沿》。上周我们发布了该系列的第一篇《机器学习最终是否会代替人类医生》。本文是该系列的第二篇文章,关于斯坦福大学的医学研究者是如何应用突破性的医疗人工智能技术,诊断皮肤癌以及对皮肤病患者是否需要活体检查。该论文的原文发表于2017年2月的《Nature》
最近,来自 Salesforce AI 研究院、谷歌、斯坦福大学等机构的研究人员合作撰写了一篇文章,综述了基于深度学习的计算机视觉技术在医疗领域中的现状与应用。该论文发表在 Nature 旗下期刊 npj Digital Medicine 上。
选自IEEE 作者:Jeremy Hsu 机器之心编译 由于在特征识别任务上具有优势,医疗图像诊断一直是人工智能技术应用的重要方向。近日,韩国研究人员应用深度学习算法在皮肤病诊断上击败了 42 位皮肤
自 2012 年 AlexNet 挑战 ImageNet 获得巨大成功以来,用于图像领域的深度学习算法以令人目不暇接的速度飞速演化着。通用图像领域中,有明确边界的问题,例如特定类别有标注数据的物体检测、定位、识别,乃至特定场景的图像生成、一定精确度内的图像分割,都出现了令人更新认知的深度学习解答。 目前,站在深度学习研究一线的计算机视觉研究者们,有相当一部分深入到更细分的、与应用场景联系更紧密的任务中,同时扩展算法能够覆盖的数据类型。 2018 年,在医疗影像这个分支中,来自加州的人工智能医疗公司体素科技,结合自身产品线的开发路径,发表了多篇论文,论文探讨了如何利用深度学习算法临床决策支持:例如用端到端算法处理影像中分割问题、 配准问题,以及如何在标注数据有限,且迁移学习困难的情况下,利用代理监督和联合训练获得更好的模型效果。以下为论文介绍:
人工智能已经在医疗行业的诸多领域开始发挥作用,比如眼科,内科等,并且取得了巨大成果。自2016年以来,已经有不少关于AI在皮肤科学的应用研究开展。
【导读】斯坦福大学的研究人员开发深度学习算法,识别皮肤癌的准确率与专业的人类医生相当,相关研究论文被选为封面论文在本期 Nature 发表。研究人员训练系统观看了近13万张痣、皮疹和其他皮肤病变的图像,然后让系统与21位皮肤科医生对比测试,结果系统的精确度与人类医生相当(“至少”91%)。使用这一技术,有望制造出家用便携皮肤癌扫描仪,造福广大患者。 “我们制作了一个非常强大的机器学习算法,能够从数据中学习,”论文的其中一位主要作者、斯坦福博士生 Andre Esteva 在新闻发布稿中表示,“不是通过编写代
【新智元导读】斯坦福大学的研究人员开发深度学习算法,识别皮肤癌的准确率与专业的人类医生相当,相关研究论文被选为封面论文在本期 Nature 发表。研究人员训练系统观看了近13万张痣、皮疹和其他皮肤病变
美国斯坦福大学(Stanford University)研究团队展示了一种“深度学习”算法,能够像执业皮肤病专家一样准确诊断潜在的癌性皮肤病变。 《自然》杂志(Nature)报道的这一癌症诊断发现只是2017年众多这类报道的一例,让我们管中窥豹,看到了人工智能可以协助医生甚至能与他们媲美的“软件诊断”新时代。 专家称医学图像,如照片、X光和核磁共振成像(MRI),与深入学习软件的匹配近乎完美,这推动了近几年识别照片中的人脸和物体的技术取得突破。 目前已经有公司在探索这种方法了。2016年12月
Pine 发自 凹非寺 量子位 | 公众号 QbitAI 明明是只斑马,AI为什么说它是一条狗? 分类模型在归类图像时有时会错误地判断类别。 经过学习的AI,还会搞砸一些预测,肯定是在其中的某个环节出现了纰漏。 斯坦福大学的两位博士生和教授James Zou在一篇论文中,带我们探究了分类模型犯错的原因。 随后,论文提出一种方法——反事实的概念性解释(Conceptual Counterfactual Explanations),并评估了它的效果。 通过这种方法,我们就能重新定义模型的分类标准,从而解释AI
今天为大家介绍的是来自Su-In Lee团队的一篇论文。大多数赋能医疗人工智能的机器学习模型的推理结果都难以解释。在这里,作者报道了一种结合医学专家见解和高度表达性的可解释人工智能形式的模型审计通用框架。
今天为大家介绍的是来自Su-In Lee 团队的一篇论文。构建可信赖和透明的基于图像的医疗人工智能(AI)系统需要在开发流程中的所有阶段对数据和模型进行审查。理想情况下,数据和相关AI系统可以使用医生已熟悉的术语来描述,但这需要医疗数据集密集地注释有语义意义的概念。在本研究中,作者提出了一种基础模型方法,名为MONET(医学概念检索器),它学习如何将医疗图像与文本连接,并在概念存在上密集地评分图像,以支持医疗AI开发和部署中的重要任务,如数据审核、模型审核和模型解释。由于疾病、肤色和成像方式的多样性,皮肤科提供了一个对MONET多功能性的苛刻用例,作者基于105,550张带有大量医学文献自然语言描述的皮肤病学图像训练了MONET。MONET能够准确地在皮肤科图像中注释概念,这与以前在临床图像的皮肤病学数据集上构建的有监督模型相抗衡。作者展示了MONET如何在整个AI系统开发流程中实现AI透明度,从构建本质上可解释的模型到数据集和模型审核,其中包括分析AI临床试验结果的案例研究。
AI 科技评论按:人工智能在专业医学领域全面战胜人类医生的例子还很少见。最近一项深层神经网络算法在诊断灰指甲方面,成功击败了 42 位皮肤科专家。灰指甲是一种常见的真菌感染,它会让指甲脱色和脆化,这种疾病每年困扰着大约 3500 万美国人。 这项成功很大程度依赖于一个韩国研究团队的努力,他们收集了大约5万张指甲/趾甲的图片。大量的训练数据,是深层神经网络成功识别灰指甲,战胜人类医学专家的关键所在。 韩国首尔的皮肤科医生、临床医生 Seung Seog Han 表示,「迄今为止,在很多研究——比如识别糖网、皮
【新智元导读】移动AI,尤其是智能手机上的计算机视觉应用,已经成为人们生活中重要的一部分。本文将会从最新趋势、未来机会、用户将如何使用手机上的AI等方面进行分析。本人作者是PicsArt的联合创始人兼
5 月 19 日凌晨,一年一度的谷歌 I/O 大会在线上召开,在谷歌园区户外进行的开场 Keynote 上,这家公司发布了一系列引人瞩目的全新产品。
1、怎么理解大数据时代下的人工智能健康医疗? 2、智能医疗相比于传统医疗有什么优势和劣势吗? 3、国内外人工智能医疗的知名公司(医院)有哪些? 4、人工智能在医疗领域有哪些应用场景?处在阶段? 5、人工智能医疗如何保障用户的安全问题? 6、人工智能医疗行业的产品经理从业方向都有哪些? 7、如何成为一名合格的人工智能医疗产品经理? 8、您所负责过的人工智能医疗产品都是怎样的? 9、5G会怎样影响智能医疗行业的发展? 10、医疗行业智能化的未来会是什么样?
选自Newyorker 作者:Siddhartha Mukherjee 机器之心编译 参与:侯韵楚、Rick R、微胖、吴攀、蒋思源 深度学习系统变得越强大,它就越含糊。由于更多的特征被提取了出来,诊断本身变得越来越准确。然而为什么这些特征会从数以百万计的其它特征中被提取出来,这仍然是一个无法回答的问题。 棒球运动员一次又一次地抛了一百万次球,他可能不了解任何方程式,但是他知道球到底会有多高、能达到多大的速度以及它会降落到地面的位置。物理学家可以写方程式来判断同一件事物。但是二者终将殊途同归。——Geof
研究人员首次发现深度学习卷积神经网络(CNN)比经验丰富的皮肤科医生在检测皮肤癌方面表现更好。
计算机视觉、人工智能、大数据......吴博身上的标签,似乎通通与美业无关。而如今,仅用了一年时间,他已和将近400家美业机构建立了合作关系。
几年前,《超能陆战队》热播的时候,暖男机器人大白俘获了许多迷妹的芳心,人人都想要个大白。而现在,这种 AI 医生可能不再是荧幕上的角色,而是真真正正地出现在了现实中。 最近,我们认识了一个研究互联网 + 医疗健康行业布局的健康管理人员,她给我们整理了她这些年了解到的一些应用在医疗上的人工智能,现在,我们就一起去看看吧! 影像科皮肤科首当其冲 人工智能发展至今,已涉足医学影像、基因检测、临床手术、辅助决策等多个医疗领域。其中,医学影像属于介入较早且卓有成效的板块之一。 轻松识别糖尿病早期视网膜病变的 AI 2
斯坦福大学科学家利用现在的谷歌算法创建了一个数据库,目的是训练神经网络。它最初用来判断猫和够的AI项目,现在可以用来诊断癌症。 —2016年,仅美国就有约一万人死于黑色素瘤,病情快速发现可降低死亡率; —有将近3亿的美国人是没有医保的,通过智能APP来给医疗服务带来革命性的变化。 拯救人类生命 他们从网上搜出了大量的图像,并且与皮肤科的医生和教授建立合作,随后,他们基于该数据库的算法,区分致命的皮肤病变和干燥皮肤。该团队的本意是“解决问题而不是将答案编入程序。” 研究人员通过三个诊断任务对比了算法与21
李根 假装发自 南山南 量子位 报道 | 公众号 QbitAI △ Sebastian Thrun 塞巴斯蒂安·特龙(Sebastian Thrun)有很多众所周知的身份,他曾是斯坦福和卡内基梅隆大
在构建和部署模型以对皮肤病变图像进行分类时,将逐步进行。完成后用户可以将图像上传到网站,模型将对皮肤病变进行分类。
全球白皮肤人群中黑色素瘤的发病率增加了 3-7%,每年影响 100,000 人中的约 40 人(Marks,2000)。1985 年,为了应对美国黑色素瘤发病率的增加,设计了黑色素瘤的 ABCD 诊断缩写(Friedman、Rigel 和 Kopf,1985)。首字母代表用于识别黑色素瘤的主要诊断标准:不对称、边界不规则、颜色变化和直径大于6毫米。黑色素瘤的鉴别诊断,特别是与良性黑色素细胞痣的鉴别诊断并不简单。因此,对通过外发光显微镜(皮肤镜)获得的数字图像进行自动分析越来越感兴趣,以协助皮肤科医生完成这项任务。
「看病难」在全世界范围内都是一个难题,想要成为一位优秀的专科、全科医生不仅需要耗费大量时间来进行知识学习,还需要经历足够多的病例来获取实操经验。
【新智元导读】上周,Udacity(优达学城)创始人、斯坦福终身教授、Google X 实验室创始人、被誉为“谷歌无人车之父的”Sebastian Thrun,在腾讯学院发表演讲《人工智能:离觉醒还有多远?》分享了他对AI发展和无人车前景的见解。Thrun认为,无人驾驶的最终胜利者可能是一家传统车企,此外,现在全世界都在用雷达做无人驾驶,实际上摄像头是最好的方式。Thrun介绍了Udacity的学生做的一个程序,只使用摄像头,3个月的时间,做到了谷歌用了很多年才做到的事情,“我觉得我们可以改变无人驾驶车的未
人工智能正在改变医疗诊断行业 今年年初,谷歌成功研发出一套用于乳腺癌诊断的人工智能系统。这套系统分析了大量的病理组织显微图像,速度比人类快得多,且肿瘤检出率高达92.4%。如果是人类医生完成这项工作,必须非常仔细分析大量组织样本才能确诊癌症,而且这是一个极度费时且易出错的过程。一个有经验的医生需要几年甚至十年的时间来培训。如今谷歌的成功预示着人工智能疾病诊断的到来。 事实上,利用人工智能检测癌症并不是新鲜事。早在30年前,人工智能的重要分支之一,机器学习技术如人工神经网络算法和决策树算法,就被用来做癌症
在 AI for Science 的规模化推广过程中,低门槛使用且开源的高性能工具至关重要。一方面,科研人员能够通过上手使用,更加直观地了解 AI 的能力;另一方面,当团队中缺乏交叉学科人才时,已有工具能够减少科研人员探索 AI 应用的成本,加速研究进程。
2023年11月27日,人工智能药物开发商Absci宣布将与皮肤病领域的制药公司Almirall合作,开发人工智能设计的治疗慢性和衰弱性皮肤病的药物,并将其商业化,这项合作可能为Absci带来超过6.5亿美元的收益。
这个问题有两种答案: 看好AI的人会说YES,因为用不了几年AI真的会取代那些平庸的医生,会取代那些Below average(低于平均水平)的医生,但是暂时不会取代那些Above average(高于平均水平)的医生。 不看好AI的保守医生会说NO,TA真的是发自内心的,天真的以为AI不会取代任何医生。其实未来最需要AI的是Below average的医生,也是最不理解和最不能接受AI的人。 最近AI很火,不仅仅是在投资界很火,在学术界也很火。 好的AI公司很容易融到钱,连不咋地的AI公司也拿到钱了,
西医只需要机器,不需要大夫,现阶段培养出来的西医也只是【自苯夹】的工具,完全可以用机器来替代,这里用一套标准数据来对血常规的数据进行分析,匹配西医的病例结果。
【新智元导读】IEEE Spectrum 日前公布了一个“记分牌”,显示了在医疗领域的各个子类中,AI 和人类医生谁更占优势,其中涵盖了心脏病、中风、自闭症、脑肿瘤、眼科、皮肤癌和一般性诊断等各方面
究竟人工智能是如何在医学领域进行应用的?他们是否可以解放医生的双手,可以让他们全身心的投入到病人身上?
李佳本科毕业与中国科学技术大学,2011年获得斯坦福大学博士学位,是李飞飞的爱徒之一。
如何界定 AI 用于医学图像分析时的范畴,设置相关的任务及采用合理的模型方法?医学图像分析中目标检测任务的普遍性,使得开发目标检测集成框架显得必要。
AI 科技评论按:如何界定 AI 用于医学图像分析时的范畴,设置相关的任务及采用合理的模型方法?医学图像分析中目标检测任务的普遍性,使得开发目标检测集成框架显得必要。
MetaOptima Technology是一家位于加拿大温哥华的科技初创公司,近日宣布已获得860万美元融资。本轮融资由澳大利亚Skip Capital和AirTree Ventures领投,融资完成后这两家机构的基金负责人Scott Farquhar和Daniel Petre将加入MetaOptima董事会。公司将用这笔资金用来进一步开发其DermEngine平台,并将这一平台在澳大利亚及世界其他地区推广。
2017年11月17日晚,中华医学会北京风湿病学分会在温都水城召开学术年会,肖飞教授做了《人工智能与医学应用》的主题演讲。 在演讲中,肖教授围绕着“智能与人工智能,人工智能的分类、发展史与模型架构,人
作者:European Society for Medical Oncology 机器之心编译 今日,一篇关于皮肤癌诊断的文章发表在医疗期刊《肿瘤学年鉴》(Annals of Oncology)上,这篇出自医疗界高级管理医师的研究首次表明:深度学习卷积神经网络(CNN)在检测皮肤癌方面的表现优于有经验的皮肤科医生。对比对象是来自 17 个国家的 58 位皮肤科医生,其中包括 30 位专家。 这是人工智能又一次在医疗图像识别上实现「超越人类」的水平。尽管如吴恩达这样的著名机器学习学者领导的 AI 医疗影像研
吴志力博士,深圳市宜远智能科技有限公司创始人&AI负责人,先后就读于清华大学、香港浸会大学,师从视觉AI领域唐远炎教授。博士毕业后,在谷歌研究奖支持下于英国利兹大学从事博士后工作。曾任爱立信研究院高级研究员,并曾在多家公司担任首席AI负责人和数据官。在ICML、ACL等发表多篇AI论文,并出版了《数据天才:数据科学家修炼之道》等著作。 人称奶罩,腾讯云中小企业中心总经理,DNSPod创始人,洋葱令牌创始人,网络安全专家,域名及DNS技术专家,知名个人站长,中欧国际工商学院EMBA。 1 吴洪声:你的学科
今天将分享kaggle系列挑战赛之23种皮肤疾病多分类的完整实现过程,为了方便大家学习理解整个流程,将整个流程步骤进行了整理,并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
目前人工智能是最火热的领域,而深度学习是人工智能中最璀璨的分支,已经在自然图像上取得了阶段性进展。今天我将分享深度学习在医学影像上的应用最近进展,这一篇主要说一下从2015年到现在深度学习在医学影像分类相关的情况。
作者 | 量子位 舒石、李林 看病难,看病贵?这不是中国特色,某种程度上美国比中国要严重得多。全球都面临着类似的问题。世界卫生组织估计,全球约有430万医生和护士的缺口。这种欠缺在不发达国家更为严重,而发达国家也面临医疗费用日益高昂的挑战。 资源缺乏带来的影响,往往体现在每个患者可以得到的诊疗时间。一项研究估计,美国医生在每个病人身上平均花费13-16分钟。而在国内,此前有报道称医生平均接诊时间4-6分钟,更有调查称:“门诊医生平均只肯听病人述说病情19秒”。 然而我们并不能据此过多指责医生,至少『量子
---- 新智元报道 来源:Google AI 编辑:David 小咸鱼 【新智元导读】今天,机器学习(ML)模型得到了大规模的使用,而且影响力也越来越大。然而,当它们被用于现实世界的领域时,往往表现出意想不到的行为。Google AI发文探讨不规范(Underspecification)是如何给机器学习带来挑战的。 如今,机器学习(ML)模型得到了比以往任何时候都更广泛的使用,并且它的影响力也变得越来越大。 然而,把它们放在现实领域中使用时,问题可不小,甚至经常会出现一些意想不到的行为。 例如
一项由多国科学家联合完成的研究表明,基于卷积神经网络的人工智能在诊断皮肤癌方面已达到比人类医生更出色的水准。
人工智能获得洞察力和做出决策的方式通常是神秘的,这引发了人们对机器学习的可信度的担忧。现在,在一项新研究中,研究人员揭示了一种新方法,用于比较人工智能软件的推理与人类推理的匹配程度,以便快速分析其行为。
来源:ScienceAI本文约1800字,建议阅读5分钟潜在的研究领域可能是自动估计 AI 结果中的不确定性。 人工智能获得洞察力和做出决策的方式通常是神秘的,这引发了人们对机器学习的可信度的担忧。现在,在一项新研究中,研究人员揭示了一种新方法,用于比较人工智能软件的推理与人类推理的匹配程度,以便快速分析其行为。 随着机器学习越来越多地在现实世界中得到应用,了解它如何得出结论以及它是否正确变得至关重要。例如,人工智能程序可能似乎准确地预测了皮肤病变是癌性的,但它可能是通过关注临床图像背景中不相关的印迹来做
Yijun Tian, Kaiwen Dong, Chunhui Zhang, Chuxu Zhang, Nitesh V. Chawla
谷歌旗下的Medical Brian团队开发了一种新的人工智能算法,可以帮助医院预测病人的死亡时间,并有望在医疗领域展开更广泛的应用。
领取专属 10元无门槛券
手把手带您无忧上云