發(fā)布時間：2020-12-02 10:25

　　2017年以來,中國、美國和歐盟先后發(fā)布了國家級人工智能（AI）戰(zhàn)略發(fā)展規(guī)劃,人類歷史即將迎來以"智能化"為主旋律的第四次工業(yè)革命。在醫(yī)療檢驗領(lǐng)域,人工智能的理論和技術(shù)爆發(fā)也將為醫(yī)學(xué)檢驗理論、方法與應(yīng)用的發(fā)展提供新方向,本文首先從人工智能的理論與實踐基礎(chǔ)出發(fā),介紹人工智能的發(fā)展歷程以及算法、數(shù)據(jù)和算力三大要素的前沿進(jìn)展,進(jìn)而結(jié)合醫(yī)學(xué)檢驗的關(guān)鍵應(yīng)用維度,闡述"AI+檢驗"的結(jié)合創(chuàng)新,包括涉及檢驗標(biāo)本處理的標(biāo)本采集機(jī)器人、樣本稀釋機(jī)器人和樣本傳送機(jī)器人;檢驗項目挖掘如腫瘤標(biāo)志物和藥物基因組學(xué);檢驗細(xì)胞形態(tài)學(xué)、檢驗數(shù)據(jù)處理、輔助診斷模型和互聯(lián)網(wǎng)醫(yī)學(xué)檢驗等。隨著工業(yè)4.0時代的到來,人工智能技術(shù)必將推動醫(yī)學(xué)檢驗從自動化發(fā)展到更高階的智能化階段。 

【文章來源】：南方醫(yī)科大學(xué)學(xué)報. 2020年02期 第287-297頁 北大核心

【文章頁數(shù)】：11 頁

【部分圖文】：

遷移學(xué)習(xí)概念圖

1.3.2 深度學(xué)習(xí)深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個分支，深度學(xué)習(xí)用無監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來替代傳統(tǒng)特征提取算法[9]。深度學(xué)習(xí)引入了感知器這一概念并且將神經(jīng)元視作一個功能邏輯器，同時將神經(jīng)元活動簡化為了3個過程：輸入信號線性加權(quán)，求和，非線性激活。神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)由3部分組成：輸入層，隱藏層，輸出層，3者均由權(quán)值連接，輸入層接收外界信息，隱藏層和輸出層的神經(jīng)元對信息進(jìn)行函數(shù)處理，最后神經(jīng)網(wǎng)絡(luò)模擬人類大腦做出決策[10]。深度學(xué)習(xí)依賴數(shù)據(jù)來提升算法準(zhǔn)確率，數(shù)據(jù)集質(zhì)量越高，深度學(xué)習(xí)對特征的學(xué)習(xí)效果就越好，深度學(xué)習(xí)概念如圖2所示。

深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)任務(wù)均從零知識開始，這意味著模型的結(jié)構(gòu)和參數(shù)開始是隨機(jī)猜測的。除此之外，實現(xiàn)機(jī)器學(xué)習(xí)需要大量標(biāo)注好的高質(zhì)量數(shù)據(jù)以及強(qiáng)大的計算資源和算力基礎(chǔ)。因此學(xué)者們考慮對已有大數(shù)據(jù)集進(jìn)行最大程度的開發(fā)，于是遷移學(xué)習(xí)誕生了。遷移學(xué)習(xí)也是實現(xiàn)機(jī)器學(xué)習(xí)的一種手段，遷移學(xué)習(xí)可以理解為將計算機(jī)在一個任務(wù)上學(xué)習(xí)到的知識遷移到另一個新任務(wù)上，作為其起點繼續(xù)對新任務(wù)進(jìn)行學(xué)習(xí)。遷移學(xué)習(xí)包括基于實例的遷移學(xué)習(xí)，其特點為源域?qū)嵗愃颇繕?biāo)域?qū)嵗�；基于特征的遷移學(xué)習(xí)，其特點為源域特征與目標(biāo)域特征有重疊；以及在訓(xùn)練階段共享一部分參數(shù)或者先驗分布的基于共享參數(shù)的遷移學(xué)習(xí)[13]，遷移學(xué)習(xí)概念如圖3所示。圖3 遷移學(xué)習(xí)概念圖

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)背景下高校臨床檢驗診斷學(xué)教學(xué)思考[J]. 田剛,何鵬,宋敏,朱喜丹,劉靳波.  現(xiàn)代醫(yī)藥衛(wèi)生. 2019(13)
[2]臨床疾病診斷字典庫的應(yīng)用研究[J]. 柯莉,林偉研,劉養(yǎng)奇,林志豐,歐偉麟,潘苑怡,徐曉明,王瓊.  中國數(shù)字醫(yī)學(xué). 2019(06)
[3]基于YOLO模型的宮頸細(xì)胞簇團(tuán)智能識別方法[J]. 鄭欣,田博,李晶晶.  液晶與顯示. 2018(11)
[4]一種大數(shù)據(jù)環(huán)境下醫(yī)療隱私保護(hù)方案設(shè)計與實現(xiàn)[J]. 胡榮磊,何艷瓊,曾萍,范曉紅.  信息網(wǎng)絡(luò)安全. 2018(09)
[5]人工智能與醫(yī)學(xué)——發(fā)展歷程[J]. 壽君妮,于觀貞,余黨會,李冠南.  第二軍醫(yī)大學(xué)學(xué)報. 2018(08)
[6]基于改進(jìn)Hessian矩陣的冠脈造影圖像增強(qiáng)算法研究[J]. 陳楷豐.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2018(07)
[7]人工智能、大數(shù)據(jù)和算力的融合發(fā)展[J]. 王珺.  科技經(jīng)濟(jì)導(dǎo)刊. 2018(16)
[8]人工智能的三次發(fā)展高潮[J].   機(jī)床與液壓. 2018(08)
[9]5G綜述及中國的進(jìn)展（英文）[J]. Shan-zhi CHEN,Shao-li KANG.  Frontiers of Information Technology & Electronic Engineering. 2018(03)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的外周血白細(xì)胞分類[J]. 陳暢,程少杰,李衛(wèi)濱,陳敏.  中國生物醫(yī)學(xué)工程學(xué)報. 2018(01)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的體液細(xì)胞圖像有形成分的特征識別方法研究[D]. 蔡立章.湘潭大學(xué) 2017
[2]白帶顯微圖像中有型成分的智能識別技術(shù)研究[D]. 胡靜蓉.電子科技大學(xué) 2017



本文編號：2895170