深度学习解码医疗影像助力早期癌症诊断

眼见为实。但是在治疗癌症时，我们的眼睛有时会误导我们。

在分析CT和MRI扫描时，人眼很难区分器官与肿瘤的边界，确定自上次检查以来肿瘤的变化，或是发现另一个部位的新肿瘤。

德国弗劳恩霍夫医学图像计算学院（FraunhoferInstituteforMedicalImageComputing）的研究人员正在利用GPU和深度学习提高癌症诊断的准确性。通过人工智能图像分析，医生们可以更好地减少误报，避免不必要治疗，同时提高发现潜在新肿瘤的可能性。

弗劳恩霍夫医学图像计算学院的研究科学家MarkusHarz表示：“我们认为早期发现是治疗的关键。当图像检测到异常后，正确的诊断处理则是下一个挑战。”

而几年前，Harz及其研究同事们还在依赖今天仍然普遍采用的传统式“特征工程”诊断法。研究人员对计算机进行编程，使其能够检测图像特征，然后通过线性回归或随机森林等算法对图像数据进行分类。

然而，研究团队利用深度学习实施的第一项实验就表明，它可以解决极具挑战性的问题，包括探检位置及识别器官和异常的轮廓。

Harz还清楚地记得该项研究初见成效时激动人心的一刻：他与一名放射科医生坐在一起，当时该医生正在对一名乳腺癌高危患者做检查。医生一直不断对比两个MRI影像图，努力找出每个MRI之间几十个肿块之间的变化。最终，她发现了一个长大的肿块，经检测这个肿块正是恶性肿瘤。

这位放射医生坦言说，这次运气不错，但大多数情况都没有这么幸运。她与Harz及其同事合作，开始研究一种能够空间定位MRI的算法。

Harz表示：“这种算法可以化繁为简，直接锁定差异。”

该研究团队目前已经完善了图像分析模型，以了解深度学习如何改善诊断结果。但在临床环境中提供解决方案还面临另一个挑战，即：监管许可。Harz指出，为了得到许可，他与同事们一直在建立一个基础架构以验证这种深度学习算法。

Harz认为：“临床医生和医疗器械制造商都希望获得认知医疗计算优越性的证据。”

GPU成效显著

GPU在研究人员的工作中占据主导地位。在CUDA、cuDNN以及Theano和TensorFlow管理库的支持下，研究人员利用运行于多台机器上的NVIDIAGPU训练自己的深度学习模型。Harz估计，本地GPU的性能至少比CPU提高了20倍。

弗劳恩霍夫医学图像计算学院的可视化专家也在使用GPU，为运行着色程序的研究工作提供支持，实时获得逼真的医学图像。弗劳恩霍夫医学图像计算学院的医学图像注册组已能够使用一般性能的GPU并搭配OpenCL并行编程标准加速其算法。

该技术将比人眼更加准确地描述肿瘤如何随时间而发生变化，帮助医务工作者更加自信地诊断病情。

Harz表示：“诊断医生可能会手工测量二维直径，而计算机则能够显示肿瘤的体积，以更好地呈现肿瘤的生长或收缩情况。这不仅有助于自动处理最繁琐的临床工作，还可以让诊断医生了解除肿瘤大小以外的其它异常特征。”

未来的努力

Harz及其研究同事正在完善验证框架，医院基础设施连接起来，并与典型的临床存储系统无缝集成。他们正在努力完成这些工作，同时不影响相关系统为临床医师提供成像功能。

研究团队计划全力组织非结构化数据，建立大规模的数据抓取并将这项技术推向市场。当数据太复杂而人类无法对其进行分析时，Harz希望该技术能够成为癌症诊断链中重要的一环。

赞赏