收稿日期:2018-05-08
作者简介:吴智星(1985—),男,河南辉县人,本科,工程师,研究方向:计算机仿真。
近年来,智能医疗在国内外的发展热度不断提升。一方面,图像识别、深度学习、神经网络等关键技术的突破带来了人工智能技术新一轮的发展。大大推动了以数据密集、知识密集、脑力劳动密集为特征的医疗产业与人工智能的深度融合。另一方面,随着社会进步和人们健康意识的觉醒,人口老龄化问题的不断加剧,人们对于提升医疗技术、延长人类寿命、增强健康的需求也更加急迫。对于医疗进步的现实需求极大地刺激了以人工智能技术推动医疗产业变革升级浪潮的兴起。
1 人工智能医疗的相关概念
人工智能是以计算机网络技术发展为基础的,它具体是一门研究、理解和模拟人类的行为动作,能够发现其中运行的内在规律并且形成一种习惯的学科。它是计算机网络高度发展的拓展,也是计算机网络发展的结果,而人工智能作为计算机科学的一个重要分支,它正在试图挖掘智能的实质,与此同时,发明出一种同人类思考方式一样,并且能够做出人类相似反应的智能机器,所以人工智能是计算机发展的组成部分,也是心理学和哲学的集合,只有这三者的有机结合,才能够模拟人的意识和思维做出人类的反应,从而达到便民利民的目的。
随着科学技术的发展,人工智能技术的三大主要分支——专家系统、人工神经网络、数据深度挖掘,在医疗领域所起到的作用越来越大,其地位也越来越重要,引起了人们极大的关注。
2 人工智能在医疗设备上的应用场景
目前人工智能技术与医疗设备的结合主要体现在以下五个方面[1]
:
(1)医疗机器人。医疗领域常见的应用很多,例如智能假肢,外骨骼和其他一些辅助设备帮助改善人体受损身体。保健机器人辅助医护人员的工作。(2)智能诊疗。智能诊疗就是在诊疗中采用人工智能技术进行辅助,让计算机“学习”专家医生的医疗知识,模拟专家医生的思维和诊断推理,从而给出诊断结果和治疗方案。智能诊疗场景是人工智能在医疗领域最重要、也最核心的应用场景。(3)智能影像识别。智能医学影像是将医学影像的诊断上利用人工智能技术。医学影像应用人工智能主要分为两种情况:一是图像识别,应用于感知环节,其主要目的是分析影像,获取一些有意义的信息;二是深度学习,在学习和分析环节中,利用大量的影像数据和诊断数据,对神经元网络进行持续深度学习训练,使其掌握诊断能
力。(4)智能健康管理。智能健康管理是将人工智能技术应用到健康管理的具体场景中。目前主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。(5)智能药物研发。利用人工智能中的深度学习技术应用于药物研究,通过大数据分析等技术手段 通过模拟,对药物活性、安全性和副作用进行预测, 大大缩小筛选的范围,进而缩短周期,降低新药研发成本,提高新药研发成功率。
3 医学专家系统的发展历程及应用
“专家系统”是一个不断被开发、完善、利用的系统,在第二次人工智能高潮的时期,“专家系统”起到了很好的作用。这个“专家系统”不是个人,只是一个程序而已,通过将各类行业的专业知识引入到系统里,然后经过复杂的推理,则其将会像专家一样去执行工作。当然,在医学专家系统里则是将医学专业知识和诊断知识导入的了计算机里,然后在经过“专家系统”在所存的知道系统库里不断推断,最后确诊并提出治疗方案。在20世纪70年代初时美国一所大学就开发了类似“专家系统”的MYCIN系统,他的功能就是对感染疾病的患者进行诊断,并给出抗生素处方。并且,经过测试这个系统,其以及超过了相关领域的专家。
我们通常认为知识库和推理机组合成了传统的专家系统,所以也把该系统称为知识和信息为基础的系统。其中存在专家知识有固定的形式化语言表达和数据结构的组织样式。一些在系统中形成规则的例子,当满足系统条件时,系统就会得到某种结论或者执行某种动作,这种被称为常见的直觉知识。在当直觉知识面临的问题解决不了的时候就会借助支持知识。在系统中出现规则同时可以使用时,系统会自行运行推理机程序,决定哪一种规则可以优先使用[2]。
4 在医疗设备中的具体应用
4.1 CAD:计算机辅助诊断
乳房X光可以发现早期乳腺癌。辅助诊断在其中起到了很重要的作用,并呈现了很好的效果。研究发现,如果让两位专家评估一个乳房X光的话,问题失误率会降低很多,但是专家的费用过高,而且帮助其他专家来看或者完成也是硬件很难的事情。所以如果让计算机做为专家的话,费用明显是降低的。而且会很好的提高了评估的正确率。探测X光中的MCs可以发现乳腺癌的症状,MCs就像乳腺癌的警示灯,发现了MCs集群就证明了乳腺癌的产生,在之前,MCs探
人工智能在医疗设备中的应用
吴智星
(波科医疗器械技术(上海)有限公司,上海 200023)
摘要:随着计算机网络的不断发展,现在我们已经进入了人工智能时代。人工智能作为一个全新的技术领域,不管是国家还是企业都
需要掌控这一领域。本文研究分析了人工智能在医疗设备中的应用。
关键词:医疗；人工智能；智能医疗中图分类号:TP18文献标识码:A 文章编号:1007-9416(2018)06-0061-01
应用研究
DOI:10.19695/j.cnki.cn12-1369.2018.06.36
······下转第63页
2018年第 06 期
Research on Knapsack Problem Based on the Theory of Granular Computing
XIAO Zu
(Zhaotong University,Faculty of Physics and Information Engineerin, Zhaotong Yunnan 657000)
Abstract:This paper expounds that genetic algorithm is an effective method to solve the knapsack problem, points out the feasibility of introducing the grain computing theory into the knapsack problem solving, and studies the solution of knapsack problem based on the kernel matrix knowledge reduction genetic algorithm, and provides a new idea for the solution of the knapsack problem. This paper is carried out through a four knapsack problem. Examples are given.
Key words:genetic algorithm; grain computing theory; knapsack problem
相同规则的合并,不相容决策信息表的分解都可以认为是一种矩阵运算,从而0-1背包问题的信息可以用矩阵来表示,描述更加直观[2]。
3 算法对比和结果分析
以下将使用遗传算法(GA)和粒计算遗传算法(Granular Com-puting in GA,GCGA)对背包问题进行求解,对两种算法的结果进行对比和分析,下面使用实验数据样本进行算法测试。20个背包样本集:
[44,46,90,72,91,40,75,35,8,54,78,40,77,15,61,17,75,29,75,63];weight =[92,4,43,83,84,68,92,82,6,44,32,18,56,83,25,96,70,48,14,58];profit = 878contain =。
其中weight是背包中物件的重量组成,profit是背包中物件的价值组成,contain是背包的容量。
GA算法使用轮盘赌选择法,采用单点交叉和单点突变,初始种
群数量设为40,迭代次数达到500次后终止,GCGA算法的化简结果作用于遗传算法的交叉操作。
GA算法最佳个体为:
1 0 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1GCGA算法最佳个体为:
1 0 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 1
GA和GCGA都可以得到20个背包问题的最优解,此时最优解的个体相同,背包重量也一样,但GA在128代达到最优解,GCGA在42代获得最优解,本文提出的GCGA算法在迭代次数上明显优于遗传算法,GCGA算法比遗传算法具有更快的收敛速度。参考文献
[1]朱阅岸.解0-1背包问题的算法比较和改进[D].暨南大学,2011.[2]贺毅朝,王熙照,,等.基于遗传算法求解折扣0-1背包问题的研究[J].计算机学报,2015,(12):2614-2630.
测使用SVM,当然,其达到了非常好的成果,可以媲美专家的诊断。
4.2 图像质量评估
图像质量评估可以大大的提高医学图像的质量,而且判断图像质量是医学方面一个重要的问题。为计算机图像进行统计,并得到其统计值,这是传统的看医学图像质量的方法,比如CHO或者特定的高斯过滤。虽然这两种方法也能对结果做出判断,不过这两种方法都有自己缺陷进而各自的局限性。在此之上还有SVR机器学习,其跟传统的两种方法比较,优越的证明要比传统方法好的多。当然,目前现在会采用深度学习来学习图像的质量,通过熟练度和熟练率来超越比传统方法要好的SVR机器学习。同时,也会提高医学方面的工作效率。最主要的是深度学习可以自动提取,这样在人力方面完胜传统方法和SVR机器学习,节省了很多的人力物力。
4.3 大脑映射
大脑映射的实例是研究新出的新药对大脑的影响,其方法就是
采取两个过程,一个是使用完药物之后的个体和未使用药物的个体,通过这两个个体形成了不同的图像,我们可以观察这两个图像知道哪一个是服用完药物之后的和未服用之前的个体。传统的SVD 方法精度在90%,我们会使用深度学习来更深一步的提高精准度。
4.4 智能诊断系统
在一家医疗机构中,客户提供图像及其是否健康的标志,他们则想使用CT来判断患者是否有肿瘤。智能诊断首先必须使用大量数据把模型训练出来,此过程需要大量时间,在训练出模型之后我们就可以用此结果来对相应的图像进行测试和诊断。同时还可以进行病例报告,帮助医生诊断疾病。参考文献
[1]陈晋.人工智能技术发展的伦理困境研究[D].吉林大学,2016.[2]孔祥溢,王任直.人工智能发展现状及其在医疗领域的应用[J].医学信息学杂志,2016,(11):2-5.
The Application of Artificial Intelligence in Medical Equipment
WU Zhi-xing
(BOCO Medical Equipment Technology (Shanghai) Co., Ltd., Shanghai 200023)
Abstract:With the continuous development of computer networks, now we have entered the era of artificial intelligence. AI as a brand new technology field, whether it is state or enterprise needs to seize control of this field. This paper studies the application of artificial intelligence in medical equipment.
Key words:medical treatment; artificial intelligence; intelligent medical treatment
······上接第61页
肖镞:基于粒计算理论的背包问题研究下载本文
