![深入学习,人工智能在放射学讨论的主要话题RSNA / AAPM研讨会RSNA 2017。](http://www.alohadebbie.com/sites/default/files/field/image/Artificial_intelligence_deep-learning-RSNA_2017_Staff_imaging-9.jpg)
深入学习,人工智能在放射学讨论的主要话题RSNA / AAPM研讨会RSNA 2017。
在考虑潜在的主题2017年北美放射学会(RSNA) /美国医学物理学家协会(AAPM)研讨会上,毫无疑问,它应该解决日益增长的兴奋和周围的担忧人工智能(AI)。
组织者之一,保罗•e . Kinahan博士,副主席的放射学研究和成像研究实验室的负责人华盛顿大学西雅图很感兴趣探索放射学和人工智能的收敛和解决的一些担忧放射科医生表示技术的快速增长。许多人不禁:AI会最终渲染放射科医生的工作多余的和不必要的?
“这个问题的答案显然是“不”,“Kinahan表示。“另一方面,人工智能方面的深度学习或机器学习(ML)肯定会帮助提高生产力和放射学的准确性。”
虽然经常被混淆的条件,Kinahan称人工智能本质上是智能行为的模拟计算机,而毫升指的是用于人工智能算法或方法。深度学习是毫升的区域研究的目标移动毫升接近人工智能。
Kinahan主持今年的研讨会上,“机器学习在放射学:为什么以及如何?”2017年11月28日在RSNA举行。主持人是基思•德雷尔,博士,副主席的放射学和临床数据科学中心主任波士顿马萨诸塞州总医院和哈佛医学院放射学副教授,博士主要研究员和安东尼奥Criminisi微软在英国。
Kinahan关注的一个问题在今年的研讨会是AI如何适应整个大数据问题。“有很多的空间将人工智能和机器学习方法应用于医学图像本身,但是我们真的很想看到我们能够与其他数据集成等电子医疗记录(电子病历)或病理数据为例,“他解释说。
这种集成并非没有障碍。
“我们深感孤立自己的大数据组件,放射学是最大的一个,“Kinahan称。“这些大口袋的数据如何连接几乎肯定会依赖于人工智能的援助。”
尽管医疗快速适应新技术总体而言,情况并非如此AI和ML,德雷尔博士说。“医疗市场在这一领域已经迟了。”
当然,将人工智能或毫升是说起来容易做起来难,带来了许多挑战——其中许多德雷尔博士计划讨论的演讲中,“利用人工智能。”
“这始于原始数据和构建信息数据集,应用正确的人工智能算法,创建模型,推理引擎创建的测试和验证,”基思·j·德雷尔说,做,博士,FACR,数据科学总监、部门马萨诸塞州综合医院的放射学和布莱根妇女医院。“那么我们必须将其转化为临床实践,经过监管机构的批准之后,随笔和商业化”。
“现在,我们可以指望一方面AI医学成像解决方案的数量已通过美国食品和药物管理局,“德雷尔解释道。”,甚至更少的是在临床实践中,主要是因为所涉及的挑战。”
安东尼奥Criminisi博士,微软为人工智能的主要研究人员,在演讲中,谈到了其中的一个解决方案,“人工智能辅助癌症治疗。“量化的程度和大小肿瘤如胶质母细胞瘤是困难的,不精确的和费时,Criminisi说。但是微软的InnerEye研究项目使用先进的ML技术自动检测,部分和测量健康组织和异常,以及其他功能。
“AI-powered软件工具像InnerEye将大大减少放射肿瘤学家的时间需要放射治疗计划,“Criminisi说。
该工具还将帮助放射科医生跟踪和衡量癌症和其他疾病的进展和帮助外科医生计划复杂的手术,他补充说。
“这是长达10年的研究项目的成果,现在正在翻译成一个实用和有效的软件工具,”他说。“目标是增加的生产力专家从业者如肿瘤学家,放射科医生和外科医生,同时减少卫生保健提供者的成本。”
拿一个深入的视图中显示成人工智能产品显示地板RSNA 2017视频”技术报告:人工智能RSNA 2017”。
从RSNA 2017 -更多信息关键RSNA 2017研究报告、趋势和视频