北海職場問答

北海機器學習生物醫(yī)學圖像處理方向研究前景如何？

13*******31
2020-10-12
3個回答
122人關注

全部回答已有 3人回答

13*******69 2020-10-12

這個挺好的，符合現(xiàn)在智能醫(yī)療的想法，之前我的一個老師他們就在討論深度學習在醫(yī)學影片中的應用。現(xiàn)在的醫(yī)院基本上都是先拍個醫(yī)學影片，然后再來判斷生理是否存在異常。正常個體的醫(yī)學影像基本上都是一樣的，然后某個部位出現(xiàn)異常，影片上的成像就會與正常個體的影像不一樣。通過深度學習學習這些不一樣的特征，然后來判斷哪個部位出現(xiàn)什么異常，這個可以避免人們判斷的誤差。而且這樣可以進行遠程醫(yī)療，當不知道某個部位出現(xiàn)什么異?；蛘卟幌嘈女?shù)蒯t(yī)院的判斷，可以影片傳輸過來進行判斷。但是目前存在的一個問題是醫(yī)院的醫(yī)學影片對外是保密的，不會輕易公開，所以現(xiàn)在就數(shù)據(jù)集而言存在一定的難度，但是如果和醫(yī)院合作了，估計就可以。
13*******84 2020-10-18

1. 醫(yī)學圖像問題往往不止是圖像問題。咱們先從圖像說起：醫(yī)學圖像是為了醫(yī)生服務，很多時候的標準是醫(yī)生來決定。一個mri圖像好或者不好，不只是我們認為的噪聲小，細節(jié)清楚，也有醫(yī)生的習慣問題。所以一個好的醫(yī)學圖像去處理結果，不止要關注噪聲，分辨率，也要花費很大力氣在style learning上2. 如果要進一步做好醫(yī)學圖像處理，可能需要data mining的幫助。目前我在圖像處理上遇到了一些瓶頸，可能可以由額外的信息來改進。而這些額外信息的利用可能需要data mining的一些技巧來幫助。3. 醫(yī)學圖像的處理，請一定要謹慎謹慎再謹慎。請務必時刻記得，你所處理的每一幅圖像都以一個活生生的人，你決定的每一個閾值都可能決定很多病人的生死。我不止一次的拋棄本已訓練的非常好，發(fā)paper很棒的模型，僅僅是因為某些細節(jié)存在問題。因為我非常害怕因為我的過失導致了某個骨頭內部的骨小梁看不清，誤診了某些病。4. 最后，如果你對改善人類健康感興趣，歡迎你投入這個領域。我永遠記得我導師提到他提高了prostate cancer治愈率1%的時候，那種自豪。
13*******19 2020-10-22

首先值得肯定的是，這個方向有很好的就業(yè)機會。目前，國內做AI醫(yī)療方面，拿到大筆投資，同時也有一定訂單規(guī)模的，主要就是醫(yī)療影像人工智能識別，這些企業(yè)包括了依圖、聯(lián)影等等。但是，這個方向的國內企業(yè)低技術化發(fā)展趨勢必須要充分警惕，其主要問題在于，大多數(shù)國內企業(yè)，主要都是進行肺結節(jié)和乳腺癌的圖像識別輔助開發(fā)工作，而且都擠在這同一個領域，固然有這個領域比較容易被認可，技術比較成熟有關，也與現(xiàn)有的識別方式有莫大的關系：人工標注->機器輔助識別->人工判斷。實際上，醫(yī)學影像AI的發(fā)展，如果沿著這條路走下去，必定是一條死胡同，雖然能夠解決一些問題，但是醫(yī)學影像的問題是無窮無盡的，靠人工標注，在概率上解決一些問題，但是必然會遺漏另一些問題，同時影像學林林總總的疾病和應用，何時是個盡頭？也就是，AI需要學會的，絕不僅僅是按照被標注的圖像特征，照葫蘆畫瓢進行識別，而是需要理解病理（已經明確的部分）與圖像特征的必然聯(lián)系，這相當于是高于現(xiàn)有技術一個維度的數(shù)據(jù)處理技術，其實現(xiàn)并不容易，但是必須要走出這一步，才有可能將AI醫(yī)療應用推向深入。這個維度的提升，帶來的數(shù)據(jù)量需求和計算量需求都是幾何級數(shù)地增長，國內目前在這一塊的投入和進展都是比較欠缺的，希望題主能夠有機會在這方面進行深入的學習和研究！