Deep Learning and it's Industrial Applications

来自集智百科
跳转到: 导航搜索

目录

医学

医疗图像识别

将AI用于医疗影像分析,可以帮助医生定位病症分析病情,辅助做出诊断。目前医疗数据中有超过90%来自医疗影像,这些数据大多要进行人工分析,如果能够运用算法自动分析影像,再将影像与其它病例记录进行对比,就能极大降低医学误诊,帮助做出准诊断。

工业应用案例

胰岛素囊泡识别系统

在目前医学领域对糖尿病人的医疗诊断中,有“观察糖尿病人胰岛素囊泡情况”这一环节。

对糖尿病人来说,胰岛素囊泡的分布情况直接决定了病人的病情、康复情况,所以这一环节至关重要。

然而在电镜照片中,由于胰岛素囊泡是难以观察的,即便是熟练的医生也得观察许久,这导致大量待诊病人无法得到诊断,医院的确诊效率无法得到保证。

胰岛素囊泡电镜照片

在深度学习领域有一种“全卷积神经网络技术(FCN)”,在这种技术的基础下,选用合适的算法、合理的网络结构,再使用人工标记好的“胰岛素囊泡”电镜照片,就可以构建出“自动囊泡细胞识别系统”。

使用这种系统,医生原来要花费几个小时来分析的胰岛素电镜照片,只需要几秒钟就能识别完成。

下图右侧是Multi-FCN系统自动识别出的胰岛素囊泡的情况,可以观察到不管是正常的胰岛素囊泡,还是畸变的胰岛素囊泡,都精确的被识别,识别结果与中间人工标注的结果几乎无异。

Multi-FCN识别囊泡.png

同时本系统还可以应用在“白细胞”识别领域。自动识别系统提升了医学诊断效率,即有利于患者,又为医院创造了商业价值。

Multi-FCN识别白细胞.png
爱尔眼科智能诊断系统

目前全球范围内大约有 4.15 亿的糖尿病患者,单是中国就有 1.1 亿左右,而糖尿病视网膜病变致盲问题也愈发受到人们的关注。

一张眼底图.png

据悉,只要在发病初期定期进行眼底检查,失明风险可下降 94.4%。但由于眼底病灶微小,部分医生经验不足等原因,使得诊断中可能出现漏诊、误诊的情况,因此,借助 AI 辅助诊断是未来的一大趋势。

眼底医生匮乏.png

爱尔眼科智能诊断系统使用Kaggle及DIARE的眼底数据集,加上人工参与标记平台,对近10万张中国人的眼底图像进行分析和建模。

人工参与标记平台.png
眼底数据处理流程 总.png

系统最终对病患基数巨大的糖尿病视网膜病变(DR)和老年性黄斑变性(AMD)筛查的诊断准确率已达到九成以上。

眼底标记.png

开源项目参考

Deep Neural Networks Toolkit for Medical Imaging Analysis

https://github.com/DLTK/DLTK

DLTK is a neural networks toolkit written in python, on top of Tensorflow. Its modular architecture is closely inspired by sonnet and it was developed to enable fast prototyping and ensure reproducibility in image analysis applications, with a particular focus on medical imaging. Its goal is to provide the community with state of the art methods and models and to accelerate research in this exciting field.

V-Net: FCNN for Volumetric Medical Image Segmentation

https://github.com/mattmacy/vnet.pytorch

Vnet is a PyTorch implementation of the paper V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation by Fausto Milletari, Nassir Navab, and Seyed-Ahmad Ahmadi. Although this implementation is still a work in progress, I'm seeing a respectable 0.355% test error rate and a Dice coefficient of .9825 segmenting lungs from the LUNA16 data set after 249 epochs. The official implementation is available in the faustomilletari/VNet repo on GitHub.

Kaggle Ultrasound Nerve Segmentation

https://github.com/yihui-he/u-net

This tutorial shows how to use Keras library to build deep neural network for ultrasound image nerve segmentation.

Medical Image Analysis IPython Tutorials

https://github.com/curiale/Medical-Image-Analysis-IPython-Tutorials

This repository is intended for research and educational purposes in medical image analysis. It contains four seperate tutorials with Ipython notebooks demonstrating basic examples of medical image registration, segmentation, and classification.

医疗语音辅助系统

工业应用案例

科大讯飞门诊语音电子病历、口腔/超声语音助理

科大讯飞为北大口腔医院打造的门诊语音电子病历系统,基于科大讯飞国际领先的智能语音和自然语言理解技术,在医生与患者沟通、检查、处置过程中,使用专门定制的医学麦克风设备全程录音,医生只要以口述的方式记录电子病历内容,经过后台语音识别和自然语言理解处理,在医生工作站实时展现医患交流内容、自动生成的结构化的电子病历,医生只需对电子病历内容进行简单修改确认,即可打印提供给患者,并完成电子档保存。这样,就能做到更快、更准确、更方便地记录病人信息,高效完成门诊电子病历的制作。

在使用语音电子病历之前,口腔科门诊医生需要针对每个患者记录主诉、病史、检查、诊断等内容。然而在诊疗过程中,医生在牙椅旁戴着手套双手被占用,不便对病历信息进行记录。诊疗结束后,绝大多数医生通过手写完成病历,经常出现内容遗忘的情况。此外,手写病历常有文字潦草的情况,因无法获知准确的病历而导致后续诊疗错误的风险一直存在。语音电子病历的出现,对医院来说,可以科学管理诊疗过程和诊疗信息,同时进行医学大数据积累利用;对医生来说,在诊疗过程中可以实时完成病历的编写,识别准确率超过95%,实用性强,信息处理及时、高效、准确,极大提高医生工作效率和使用体验;对病人来说,通过语音电子病历系统打印的病历提供给患者,完整清晰易懂。

开源项目参考

基因疾病精确诊断

工业应用案例

北京金准基因科技:明鉴系统

据OMIM数据库(人类孟德尔病数据库)数据,单基因遗传病的病种数量约有7000种,其中约4000多种致病基因和发病机制比较明确。单基因遗传病单个发病率低,但单基因病种类极多,所以总体发病率高,且具有先天性、致死致残性的特点。

遗传病症.png

就诊断而言,单基因遗传病涉及多个学科,临床症状复杂,且由于基因的突变具有多样性,每种突变都可能导致不一样的临床症状,而突变的临床意义也相当复杂,故诊断较为困难。而且,许多遗传病都及其罕见,属于罕见病,对于一名医生来说,诊断经验不足,根据症状极易误诊。

可检测病症.png

传统遗传病基因诊断流程大致是:样本收集,DNA提取和处理,然后测序,或者进行一些实验操作之后,对词其数据进行分析,后由专家团队根据数据分析结果进行疾病关联性分析,最后出报告进行遗传咨询。

那么现在的问题就是,如何从海量的信息中找出致病突变?

找到突变.png

开源项目参考

病历分析

工业应用案例

百度医疗大脑

是通过海量医疗数据、专业文献的采集与分析进行人工智能化的产品设计,模拟医生问诊流程,与用户多轮交流,依据用户的症状,提出可能出现问题,反复验证,给出最终建议。在过程中可以收集、汇总、分类、整理病人的症状描述,提醒医生更多可能性,辅助基层医生完成问诊。

https://zhuanlan.zhihu.com/p/24850470?refer=ycgkk

开源项目参考

教育

个性化学习

工业应用案例

英语流利说:懂你英语

http://www.geekpark.net/topics/216078

法律

法律咨询、案件预测

工业应用案例

法狗狗

基于现阶段大量公开的裁判文书,人工智能机器人已经能够对案件结果进行预测。如“法狗狗”的刑案案情预测系统,只需要简单地选定罪行分类,并提供伤亡人数、案发地点等信息,就可以获得预测结果及类似案例。现在这套案情预测系统已扩大到了婚姻、交通、劳动合作(企业与劳动者)等多个法律服务领域当中。

同时“法狗狗”还提供法律咨询服务。它会在界面直接了解相关案情。“您咨询哪方面的离婚案件?”“出轨。”“您的性别是?”“女性”……在一系列问题问完后,你想知道的诉讼胜率、孩子抚养权等法律专业问题,短短几秒钟全部得到了答案。

据“法狗狗”联合创始人刘谦介绍,这款机器人在功能上更完备,它不仅有刑事人工智能产品,还增加了劳动、婚姻、交通等方面的法律智能产品,并且具有更新功能。目前,“法狗狗”拥有3000万案例数据、6000多案情分析点及海量的法律知识库,还能进行拟人化交流等。对于一些初入行的律师,利用它能够快速应答当事人的问题,甚至形象地称之为“接案神器”,而对于需要法律咨询的人而言,使用它对自己遇到的麻烦则会有个大概的预判。

IBM Ross:法务辅助处理系统

目前,由IBM研发的世界首位人工智能律师ROSS通过使用Watson提供的API,结合自己研发的算法,帮助处理公司破产等事务,日前就职于纽约Baker & Hostetler律师事务所。 据雷锋网了解,如同Watson,用户提出一个问题后,ROSS的工作过程是这样的:

  • 利用自然语言处理能力去理解问题的语法及文本。
  • 通过评估问题所有可能的含义来确定问题是什么意思。
  • 从数以百万计的文档中找出数以千计的可能答案。
  • 收集材料并根据评分算法给所有的材料进行评分。
  • 根据支持材料的评分对所有的答案进行排名。
  • 提供一个解决方案。

口供分析

工业应用案例

深度好奇口供分析系统

由深度好奇公司研发的基于自然语言处理技术的口供分析系统,可以直接从口供信息这种非结构语料中发掘出要点信息。

比如当报案人描述:在朝阳桥红色手提包被抢,抢包的两人骑着黑色摩托,蓝色头盔,之后往北方路逃窜。

系统就能自动分析出涉案物品“红色 手提包”,涉案人员“两人 黑色摩托 蓝色头盔”,以及重要线索“北方路”。

这种系统可以增加警务人员的工作效率,还可以和城市监控系统联网,自动设别涉案目标,进行跟踪追查。

智慧城市

个性化学习

工业应用案例

英语流利说:懂你英语

金融

金融咨询

工业应用案例

Bloomberg

Bloomberg,该公司使用人工智能技术或者机器学习的技术能够智能地分析用户的问答。它有一个类似于QQ的窗口,你可以问出你的问题,如果AI非常确定(95%)能回答你的问题,它会自动作答。它的模式类似于微软小冰或者是siri,但是金融的问题比较复杂,若这个机器判断自己的回答只有70%的正确性,它会给客服直接呈现出用户的问题的可能答案(ABC……),客服只需要做很快速的判断哪个是正确的答案,选择后点击就可以直接发送过去了。这样缩短勒服务流程并且提高了效率,可能从前的服务平均时间是40分钟,那么可以缩短只需要4分钟,甚至更短的时间。

Kensho

Kensho,号称是金融领域的Google,能够自动抓取相关财经新闻,并进行结果汇总,极大提高金融研究的效率。比如行业分析师他可能花了3天分析东西,其中两天半都是在搜集相关的数据,最后的半天在进行汇总和分析。Kensho就可以帮你节约前两天半的时间。你可以输入一个具体的询问,比如说你可能想知道苹果手机发布会前三周的某一周亚马逊的股价会怎么变化。你可以问它这样一句话,它会自己抓取相关的新闻和相关的数据,然后计算并告诉你一个结果。

金融安全

工业应用案例

支付宝

支付宝有一个证件校验,花呗与微贷业务使用机器学习把虚假交易率降低了近10倍。OCR系统是为了支付宝的证件审核开发的,它使证件校核时间从1天缩小到1秒,同时提升了30%的通过率。以前是靠人识别,可能会误判,比如人识别是50%的识别率,那么机器他现在比如说做80%的识别率,这是非常了不得的。

face++

他们是做照片的比对。相对于照片识别来说,比对是一件比较容易的事情,最起码现在是这样。人工智能在照片比对方面比人更优秀,能够有更好的识别率,或者准确率。比对原理就是抽取两张照片其中的特征,每个照片各有一套特征,然后进行两套特征的比对,然后算出其中的相符概率。

零售

个性化学习

工业应用案例

英语流利说:懂你英语
个人工具
名字空间
操作
导航
工具箱