病理诊断中深度学习人工智能技术的运用综述,人工智能、机器学习和深度学习之间是什么关系
病理诊断中深度学习人工智能技术的运用综述
人工智能、机器学习和深度学习之间是什么关系？研究和开发模拟、扩展和扩展人类智能的理论、方法、技术和应用系统是一门新的技术科学。人工智能是计算机科学的一个分支，它试图理解智能的本质并产生一种新的能量
机器学习，深度学习等人工智能技术在工业界的应用...
你可以理解人工智能是婴儿的大脑，而深度学习是让婴儿的大脑看到、听到和感受世界。 直观地说，深度学习只是一种服务于人工智能的工具(也许一种全新的工具可以在几年内取代深度学习来实现人工智能)。在语言上使用这个工具，被麻省理工学院技术评论(Deep Learning是第一个)列为2013年十大突破技术之一 目前，人工智能分为弱人工智能和强人工智能。神经网络已经成为数字语言 学术界对数字图书馆通常有两种观点。事实上，所谓的“人工智能”，即可以通过当前的科学技术来实现的，深度学习是一场算法革命，它带来了人工智能的快速发展和应用，解决了视频、图像、声音、语言和文本的处理，并在一定程度上达到了人类对物体的识别或认知水平。 专家说，当然，我们人类没有能力把所有问题都推给机器人，法官也没有判断的能力。为了找出这三者之间的关系，让我们看一张图片:如图所示:人工智能是最大的，这个概念是第一次引入的。然后是机器学习，后来又出现了。最后是深度学习 从低潮到繁荣自从计算机科学家在1956年达特茅斯会议上确认了人工智能这个术语以来，嗨，深度学习是机器学习的一个子集，机器学习是人工智能的一个子集。这个领域的兴起应该归功于深度学习。 人工智能和机器学习近年来已经解决了一系列有趣的问题，例如从自动化杂货店购买自动汽车。
人工智能、机器学习和深度学习之间是什么关系
人工智能、机器学习和深度学习之间是什么关系？研究和开发模拟、扩展和扩展人类智能的理论、方法、技术和应用系统是一门新的技术科学。人工智能是计算机科学的一个分支，它试图理解智能的本质并产生一种新的能量
机器学习，深度学习等人工智能技术在工业界的应用...
病理诊断中深度学习人工智能技术的运用综述范文
摘要:卫生服务需求与医疗卫生资源之间的矛盾使得传统的医疗方法和医疗模式无法满足社会发展的需要。目前，基于深度学习的人工智能已经影响到病理学及相关行业的工作模式。本文综述了基于深度学习的人工智能在病理诊断中的应用进展，并简要分析了这方面的发展，以期对吸引有价值的贡献起到一定的作用。
关键词:深入学习；人工智能；机器学习；图像识别；人工神经网络；病理诊断；
摘要:卫生服务需求与医疗卫生资源之间的矛盾使得传统的医疗和医疗模式无法满足社会发展的需要。目前，基于深度学习的人工智能已经影响到病理学及相关行业的工作模式。本文综述了基于深度学习的人工智能在病理学诊断中的应用进展，并对这方面的发展进行了简要分析，以期起到抛砖引玉的作用。
关键词:深度学习；人工智能；机器学习；图像识别；人工神经网络；病理诊断；
1956年，几位科学家在达特茅斯会议上提出了人工智能的概念。由于计算机技术和互联网的快速发展，人们已经看到人工智能在许多领域的巨大潜力。随后，高科技公司和社会资本热情地进入并积极参与和推动了人工智能的发展。今天，人工智能正如火如荼，遍地开花。目前，基于深度学习的人工智能已经影响到病理学及相关行业的工作模式。为什么基于深度学习的人工智能在医学领域、学术界甚至工业界受到如此广泛的关注？病理学面临什么样的困境？基于深度学习的人工智能将如何解决这些问题？针对以上问题，本文将介绍基于深度学习的人工智能在病理诊断中的应用进展，并简要分析该领域的发展。
1深度学习、机器学习和人工智能之间的关系
人工智能是计算机科学的一个分支。这是一台智能机器，能产生与人类智能相似的性能。人们试图通过人工智能的研究和发展来模拟、扩展和扩展人类智能的理论、方法、技术和应用系统[1]。
学习是人类拥有的一种重要智能行为，机器学习是实现人工智能的一种方法。实现机器学习最基本的方法是使用算法使机器分析数据并从数据中学习规律。
深度学习是一种实现机器学习的技术。在机器学习中，深度学习是一种基于数据表示学习的方法[2]。由于无监督学习训练深度神经网络和残差网络的出现，深度学习作为一种独立的学习方法备受争议。
2深度学习的起源
从机器学习模型的层次维度来看，机器学习的发展过程经历了浅学习和深学习两个阶段。深度学习被认为是相对于浅层学习的一个概念。
2.1浅学习阶段
直到迭代方法(增量规则)在1960年[3-4号文件中被提出，隐藏层的概念才被引入到机器学习中。在1984年的文献[5-6中，研究人员提出了玻尔兹曼机器，这是一种从这个概念延伸出来的算法。1986年，鲁梅尔哈特等人[7]提出的反向传播算法成为从这一概念扩展而来的经典算法。该算法在机器学习中的本质是简单感知器的收敛过程，它使得人工神经网络模型能够从大量的训练样本中简单地学习一些规则，这些规则可以用简单的网络结来求解。未来几年，支持向量机和Boosting算法等浅层机器学习模型相继被提出。虽然此时的人工神经网络也被认为是多层感知器，但事实上，由于在多层网络训练方面缺乏足够的经验，大多数例子都是只有一个隐含层网络(要素层)的浅层模型。
2.2深度学习阶段
通过对猫视觉皮层细胞的讨论，揭示了高级动物视觉神经的机制。与高级动物视觉神经的机制相似，深层神经网络也具有丰富的层次结构，不同于浅层学习。深度学习的模型结构包含多层隐层网络，侧重于特征层次的特点，算法中经常出现权重叠加。1989年，莱村等[8]研究人员提出了卷积神经网络(卷积神经网络)，这是一种从高级动物视觉认知模型延伸而来的网络计算模型。
2006年，韩丁等人[9]在一篇关于机器学习中实现深度学习的文章中报告了两个重要结果:(1)许多隐层人工神经网络具有优秀的特征学习能力，所学习的特征对数据具有更本质的表征，从而便于可视化或分类。(2)无监督学习的“分层预训练”能有效克服深度神经网络训练的困难。从那时起，基于深度学习的机器学习热潮开始了，至今仍很热。
3基于深度学习的人工智能在病理诊断中的应用
基于深度学习的人工智能已应用于乳腺癌、胃癌、肺癌等疾病的病理诊断([10-14)，侧重于早期肿瘤筛查、疾病分类、良恶性诊断等。
3.1乳腺癌的病理学
[15]基于文献[15]中深度学习的机器学习方法构建了一个“乳腺图像报告数据系统”，用于检测和判断乳腺癌患者的ct图像。在核查阶段取得了重大成就。文献[16]构建了基于卷积神经网络和计算机图像处理的智能图像诊断系统，用于检测和判断细胞学涂片。发现两种分类(癌症和非癌症组织)与病理学家之间的一致性高达0.833，四种分类(正常组织、良性疾病、原位癌和浸润性癌)与病理学家之间的一致性高达0.778。在2016年于英国诺丁汉举行的Path Soc会议上，基于人类表皮生长因子受体-2评分的深度学习人工智能的人类表皮生长因子受体-2自动评分系统的结果优于病理学专家[17]。
3.2胃癌病理学
Bejnordi等人[18]研究人员构建了一个基于深度学习的机器学习方法的智能图像诊断系统来检测和判断细胞学涂片，发现胃癌分类和病理专家的准确率高达69.90%。吉田等人[19]研究人员还构建了一个基于深度学习的机器学习方法的智能图像诊断系统，用于检测和判断细胞学涂片。发现[非肿瘤、癌症(包括疑似癌症)和腺瘤(包括疑似肿瘤病变)三类与病理学家的一致性为0.556，两类的敏感性高达89.50%，阴性预测值高达90.60%。
3.3肺癌的病理学
张颖等人[10]研究人员构建了一个基于人工神经网络和计算机图像处理的“肺癌早期细胞病理学计算机诊断系统”，用于检测和判断细胞学涂片，发现该系统可以完成肺癌主要病理类型(肺鳞癌、腺癌和小细胞癌等)的细胞病理学诊断。)；系统与病理专家的符合率高达91.80%。以术后组织病理学为“金标准”，该系统的敏感性、特异性和准确性分别为94.79%、90.91%和94.20%。
4展望
人们的健康意识不断提高，对医疗保健提出了更高的要求。因此，对各种疾病的液基细胞学筛查和诊断的需求正在增加。同时，我国执业病理学家和细胞病理学筛查员的专业回报率低，工作环境恶劣，相关执业人员不断流失[20-22】。甲级医院的病理学家每天必须阅读高强度的胶片，这不仅消耗大量的能量，而且由于工作疲劳，还会暂时降低他们的工作能力(无法完成任务或降低诊断效率)。这种情况已经持续了很长时间，至今没有得到有效解决。基于深度学习的人工智能病理诊断系统有望在未来解决这一难题。
基于深度学习的人工智能特别适用于学习结构化数据，也适用于解决结构化数据的分类问题。数字病理图像是结构化数据，是基于深度学习的人工智能创建或训练的优秀材料，[23-25]。基于深度学习的人工智能病理诊断系统实现了过去只有人类才能完成的工作和任务，在医学领域，特别是病理学领域显示出独特的优势。不久前，数字病理学技术和计算机图像处理技术取得了很大进展。数字切片扫描仪和计算机在医院得到了广泛应用，解决了基于计算机图像处理的病理诊断系统不可避免的工程问题，也给基于计算机图像处理的病理诊断系统带来了更广泛的发展空。因此，病理图像是基于深度学习的人工智能的优秀应用场景。
目前，基于深度学习的人工智能病理诊断系统在病理诊断方面仍然存在失真。然而，病理诊断是最终诊断，诊断结果不允许被歪曲。解决这类问题的主要方法是添加医学数据和精确标记，尤其是病理专家标记的医学数据，因为用于监控和学习精确标记的训练集是高质量模型的先决条件，而训练集来源于有偏差或不完整的数字病理图像，这将影响模型建立的效果(最终决策会出现失真)。或者进一步研究无监督学习深度学习系统，试图使该系统解决人工标注类别成本高或困难的问题。或者整合其他方面的医学信息，如分子检测、基因测序等。同时，由于疾病类型和疾病的多样性，在病理诊断中为每种单一疾病类型建立模型是一种简洁的病理标记方式，因此病理标记需要亚专业化，病理标记团队需要制定标准化的流程。此外，病理学是一门实证医学。目前，病理标本的种类分布不均，有的病例很少。从业者应该团结起来分享优秀的算法和有价值的病理样本，打破利益集团的垄断。总之，我试图从各个方面提高基于深度学习的人工智能系统在病理诊断中的准确性。基于病理学诊断深度学习的人工智能的深入研究将为医学新概念和医学模式带来无限的可能性。
参考
[1]王赢。人工智能的进展及其发展建议[。电子世界，2017，24 (2) :23-26。
刘汉，何林，李军。深度学习的进展及其在图像处理中的应用[。中兴通讯科技，2017，23 (4) :36-40。
许德志。基于单神经元自适应PID的矢量控制系统的研究[[]。常州工程技术学院学报，2008，28 (5) :293-296。
俞蒙，邹织云，赵丹丹，等。基于增量学习规则的改进型单神经元自适应PID控制器的设计。冶金自动化，2012，36 (4) :16-19。
姜玉妍，桂伟。基于受限玻尔兹曼机器的分布式主题特征提取[[]。《计算机工程与应用》，2017，53 (23) :108-112。
陈钠，姜云，邹丽，等。基于判别受限玻尔兹曼机器的医学图像分类。计算机科学，2015，42 (5) :315-319。
[7]鲁梅尔哈特，韩丁，威廉，李瑞杰。通过反向传播错误学习表征[。自然，1986，323 (6088) :399-421。
[8]李春云，鲍思博，邓克杰，等.应用于手写邮政编码识别的反向传播[.神经计算，2014，1 (4) :541-551。
[[9]辛顿. G . E .，萨拉赫胡迪诺夫. R .用神经网络降低数据维数[.科学，2006，313 (5786) :504-504。
张颖，叶玉坤，王东，等。图像处理和人工神经网络在肺癌细胞病理诊断中的应用[。中国胸心外科杂志，2005，21 (4) :238-240。
[11]哈哈桑，查达德，哈库斯，等.利用卷积神经网络对多光谱结直肠癌组织的分类[.病理学信息学杂志，2017，8 (1) :1-7。
[12]鲁利耶五世，李佐雷奥，塔夫特，等.组织病理学全载玻片图像的多分辨率图形分析:在有丝分裂细胞提取和可视化中的应用[。计算机化医学影像与图形计算机化医学影像学会官方期刊，2011，35 (7) :603-615。
[13]坎贝尔-佩奇·雷姆，肖瑞利·米.在基于社区的弱势群体参与性研究中管理伦理困境[.健康促进实践，2013，14 (4) :485-90。
[[14]伍泰赫，穆萨维，蒙加，等.组织病理学图像分类使用区别特征导向字典学习[.IEEE医学影像传输，2015，35 (3) :738-751。
[15]帕萨·P，康迪雅·M，穆罕默德·纳西尔·M·T，等.冠军健康信念模式量表在马来西亚妇女乳腺癌筛查中的信度和效度.新加坡医学杂志，2008，49 (11) :897-903。
[16]卡塞尔·特，慕克吉·阿，雷迪·帕茨，等. 赫尔2挑战赛:乳腺癌组织全切片图像中自动赫尔2评分算法的详细评估[.组织病理学，2017，72 (2) :227。
[17]汉娜·温明，哈蒙德·E，泰勒·C·R，等.现代病理学美国和加拿大病理学学会有限公司官方期刊，2008，21 (10) :1278。
[18]贝佐迪，鲍肯霍姆，李延斯，等.全载玻片乳腺组织病理学图像中DCIS的自动检测[.IEEE医学影像交易，2016，35 (9) :2141-2150。
[19]吉田，岛津，基尤纳，等.胃活检标本全切片图像的自动组织学分类[.胃癌，2017，8 (53) :1-9。
人工智能:未来是超智能的[。自然，2017，548 (7669) :520-521。
[21]韦伯斯特，邓斯丹，李荣文。全载玻片成像和自动图像分析:病理学实践中的考虑因素和机遇[。兽医病理学，2014，51 (1) :211-223。
[22]叶俊杰。病理学家的人工智能并不近在咫尺——就在这里:一个原型的描述，它可以改变我们明天如何实践病理学[。病理学和实验室医学档案，2015，139 (7) :929-935。
[23]李军，本吉奥，韩丁。深入学习[。自然，2015，521 (7553) :436。
[24]马木辛，维埃拉，普京，等.深度学习在生物医学中的应用[.Mol Pharm，2016，13 (5) :1445-1454。
[25]英十，蒙蒂塞洛。现代影像技术在毒理学病理学中的应用:概述[。毒理学病理学，2006，34 (7) :815-826。