想用智能算法分析一張胸腔的X光片嗎？美國的一群研究者們最近在這方面做出了一個相當有益的探索，可能對未來的應用和普及起到非常大的幫助。

　　貝塞斯達（美國馬里蘭州中部城市）國立衛(wèi)生研究院的研究者們開發(fā)出了一套基于深度學習的用來從胸腔X光照片中檢測疾病的算法框架。檢測完成后這套系統(tǒng)會在X光照片下附上詳細的說明，以便醫(yī)生向病人展示，以及更早的檢測出那些危險的疾病。

　　研究小組使用了NVIDIA的CUDA（統(tǒng)一計算設備架構）程序設計模型，并且是使用GPU來運行和提升他們的算法的，這些設備能幫助算法來定位疾病并且描述它當前的如位置、嚴重性、病灶大小和影響的器官等狀態(tài)。之所以使用GPU來進行計算，是因為GPU的運作原理非常符合深度學習程序所需要的特點：執(zhí)行命令很有效率，并且能承擔巨量的并行計算，這使得程序可以同時開始大量的分析進程，加快學習的速度。

　　讓深度學習學會識別醫(yī)療圖片信息

　　圖像信息識別在深度學習方法得到進步后已經取得了巨大的進展。但是目前的大多數(shù)程序都是在利用公開可用的圖像來訓練那些可以給“自然”的圖片做上標注的神經網絡，比如說像寵物、自然景觀或者城市地標這樣的圖片——但沒有用醫(yī)療圖片的。

　　因為相比較起來，帶有詳細標注的醫(yī)療圖片構成的數(shù)據庫是很難得到的，而公開征集X光片信息顯然也不可能。而一般人可以很明顯的從圖片中標記出樹、動物和建筑這樣的信息。但識別出像心臟肥大癥或者鈣化肉芽腫這樣的心肺疾病是需要專業(yè)知識的。

　　深度學習的基本應用結構

　　NIH研究者們開發(fā)的系統(tǒng)使用了一套結合了卷積神經網絡（CNNs）和時間遞歸神經網絡（RNNs）的組合來幫助整個系統(tǒng)識別并注釋X光照片代表的疾病/健康信息。首先是卷積神經網絡，由于其對大型圖像處理有著出色表現(xiàn)，所以研究者們使用它來初步判斷照片的信息。研究者們使用了一份公開的，包含了一萬份左右X光照片和報告的數(shù)據庫。從中提取出了17種大量出現(xiàn)的醫(yī)學名詞組合（也就是常出現(xiàn)的疾?。?。試圖找出這些詞語與圖片之間的聯(lián)系，以便CNNs在掃描圖像后能進行準確的歸類。

　　在進行分類后，時間遞歸神經網絡會接手，通過特定的算法為圖像加上標簽。這可能是時間遞歸神經網絡第一次被應用于檢測X光照片。

　　這幅圖是算法應用的幾個案例，其中綠色框內展現(xiàn)的是算法判斷的健康狀況，而黃色框內是真正的狀況，很顯然，越稀有的疾病由于用于學習的數(shù)據不足，會越難以判斷出來，圖片來源，NIH paper/NVIDIA s blog

　　這兩個用NVIDIA的cuDNN庫（NVIDIA開發(fā)的一個用于深度神經網絡的GPU加速庫）和火炬深度學習框架編寫出來的神經網絡程序產生了更豐富、更準確的圖像標注結果。

　　研究團隊開發(fā)的程序現(xiàn)在需要更進一步的訓練和更高的預測準確率，這樣醫(yī)院和診所才會被說服來采用它們。不過一旦這種自動注釋系統(tǒng)開始上線運行，醫(yī)生們的負擔不僅能夠得到有效的降低，還能任意搜索某種特定疾病的全部電子版X光照片了。

　　這套系統(tǒng)甚至可以幫助醫(yī)療資源有限的國家診斷大量患者的疾病或健康狀況，減輕他們的負擔。