斯坦福&谷歌Jeff Dean最新Nature论文：医疗深度学习技术指南（29页综述）- 专知

斯坦福&谷歌Jeff Dean最新Nature论文：医疗深度学习技术指南（29页综述）

【导读】文章由斯坦福大学与Google研究组合作撰写，主要介绍了深度学习领域中各类方法在医疗领域中的应用前景，文章分别从计算机视觉、自然语言处理、强化学习、广义深度学习方法四个方面进行了阐述，具体内容如下。

介绍：

本篇文章介绍了深度学习技术对于健康领域的发展影响，并分别讨论了计算机视觉、自然语言处理、强化学习和广义方法几个方面。我们描述了这些计算技术如何对医疗领域中的关键问题产生影响，并且展示了如何构建端到端的系统。例如：计算机视觉技术应用于医疗影像处理；自然语言处理应用于电子健康信息；强化学习应用于机器人辅助的外科手术过程；广义深度学习技术用于基因领域。

深度学习是机器学习的一个子领域，在过去的6年中，随着可用计算资源和数据量的飙升，实现了高速的发展。这个领域的技术可以高效的感知各类数据的抽象信息，例如：图像、语音、文字。医疗卫生正逐步的将深度学习技术引入到自己的领域中，因为这一领域有着大量的可用数据，并且每年的数据增长量大的惊人（仅在美国，每年数据量便要增加48%），同时增加的还有医疗设备和数字记录系统。

机器学习与其他计算机程序的区别在于，它会使用算法去处理数据，将输入按照统计学、数据驱动的方法来处理，并得到有意义的输出信息，这些算法是自动的从大规模数据样本中学习得到，而不是由用户自己指定的。传统上，机器学习系统需要领域专家的知识，以便设计出合理的特征抽取算子。而现在已经不必这样，只需要对深度学习模型输入大量的样本数据，它便可以根据学习得到的多层表示特征，逐步整合为所需要的表示模式。得益于这种特点，人们可以设计出更加复杂的深度模型，以学习更加复杂的方法。

深度学习模型能够在特定的计算硬件上使用高效的算法，分析大规模数据集，并且可以随着数据量的增加逐步提升性能。深度学习系统接受多种数据类型作为输入，最普遍的方法是采用监督学习模型来训练它们，以便根据数据点信息来预测数据标签。强化学习方法通过与环境的交互来获取反馈，并逐步得到完善，这项技术可以被应用于有机器人辅助的外科手术场景中。

计算机视觉：

很多深度学习中的巨大成就都诞生于计算机视觉领域（CV）。CV主要聚焦于视频与图像理解问题，例如目标分类、检测、分割任务等。卷积神经网络在计算机视觉领域中得到了大量的应用，是一种能够表现出自然空间不变性的深度学习算法。

例如，我们可以在医疗影像上大量应用图像分类、目标检测算法，许多研究证明了在很多复杂的诊断任务上，算法可以达到很高的准确率。深度学习系统可以提供医生之外的第二种视角，丰富诊断内容。

图：医疗影像中，CNNs可以在大量的医疗影像上进行训练，包括眼科、皮肤科、放射科等信息。CNN获取输入图像，并逐步对其进行变换，其中可能使用到卷积、池化、全连接层等算法。输出元素表示了各个类别可能的概率。

自然语言处理：

自然语言处理（NLP）关注于分析文本和语音，以期理解词的含义。循环神经网络（RNN）擅长于处理序列信息，例如文字、语音以及时序数据，这一方法在NLP领域中扮演着跟CNN同等重要的地位，并成功应用于机器翻译、文本生成以及图像描述等任务中。在医疗领域，序列机器学习以及语言技术可以应用于电子记录数据（electronic health records，EHR）上面。

图：在EHR上做预测，a，非结构化的EHR数据，医疗记录被存储在异质数据结构和格式中，因此，在某个医院记录上面训练的模型不一定能应用于其他医院；b，数据标准化，将数据从多种数据源映射到统一格式上面；c，序列处理，通过将数据处理成timeline，时序的深度学习技术能够应用于所有的EHR数据集上，并能得到预测信息。

强化学习：

强化学习（Reinforcement Learning）指的的一类技术，目标是训练出一个agent，与环境信息交互，以便得到期望的结果。

RL模型可以应用于机器人辅助的外科手术过程中（RAS），目前RAS领域正大力引入机器引导技术。深度学习可以增强RAS的可靠性与适应性能力。这些技术可以支持自动化与快速的手术任务，例如，缝合以及打结等任务。

广义深度学习：

在计算机视觉、自然语言处理、强化学习等任务之上，深度学习也可以应用于各类其他的输入数据。出于解释目的，我们以基因组学作为例子。

图：基因组学，a，输入数据，其中包含了各类有价值的实验度量信息，一般都会包含基因表达序列信息；b，数据张量样本，由输入数据转换而来，可以被深度学习方法使用；c，深度学习模型，使用标签化的张量样本来训练深度学习模型；d，生物医学应用，通过训练得出的深度学习模型，来用于生物医学应用，例如解释实验数据、分子诊断学等。

现代基因组学从各种DNA序列中收集大量的信息，深度学习方法可以帮助研究者从这些海量的数据种分析、挖掘，并且分析结果可以为医生提供蒙多精确的诊断辅助。在基因组学中，常见的系统方案如图所示。

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知）

后台回复“GDLH” 就可以获取全文论文下载链接~

专知《深度学习：算法到实战》正在开讲，聚焦深度学习基础与前沿技术及实战，欢迎报名！

专知开课啦!《深度学习: 算法到实战》, 中科院博士为你讲授！