近年来，人工智能（AI）已成深入到我们生活中的方方面面，大到国家战略、企业管理，小到电子产品、手机APP。与人工智能（Artificial Intelligence，AI）相关的一些概念，比如：机器学习（Machine Learning，ML）、深度学习（Deep Learning，DL）、人工神经网络（ Artificial Neural Network，ANN）等也被广泛提及。本文粗浅介绍机器学习相关概念，侧重入门，并探讨机器学习（ML）是如何在医学影像中应用的。
因为本人不是计算机和AI专业的，以下内容主要参考国外一些书籍和网络课程。本文基于个人理解，在专业词汇翻译和术语理解上难免会有偏差，还请谅解。
人工智能（AI）的概念早在上世纪50年代就被提出，但限于当时计算机的运算能力和数据体量，根本无法实现。近年来，计算机性能不断提升，同时伴随着“物联网"和“大数据”的出现，AI发展迎来了腾飞时机，并取得了突破性的进展。得益于“万物互联”提供的“大数据”，机器学习可以凭借大数据来“训练”，完成“学习”指定任务。
先看几个例子：相机自带人脸识别功能
肺结节筛查，利用机器学习来辅助诊断。
AI病理诊断，自动识别癌细胞
例子很多，不一一列举。那么，人工智能、机器学习、深度学习它们之间是什么关系呢？深度学习本质上是一种算法模型，它属于机器学习的一部分；而机器学习又是人工智能的一部分。
机器学习的原理是用计算机来模拟人脑对事物的判断及对未知的预测。机器学习主要有三种学习方式：增强学习（reinforcement learning），监督学习（supervised learning）和无监督学习（unsupervised learning）。它们都属于深度学习（deeping learning）。
1、增强学习（Reinforcement Learning）
增强学习主要应用于决策优化和动态规划，它可以教AI玩游戏，从简单的FlappyBird（下图），到久负盛名的Alpha Go。AI玩游戏不同于开挂，它有个学习过程，一开始玩得不好，但随着训练时间延长，AI会表现地越来越好，甚至超越人类。比如下方动图（左）显示一开始小鸟会撞到柱子上而跌落，但经过几十轮学习，小鸟的表现明显好于之前（右）。增强学习在医学影像上的使用还有待挖掘，这里不作过多介绍。
2、监督学习（Supervised Learning）
监督学习就是给机器一个数据，同时给数据标上一个标签，让机器也知道这个数据是什么。带有信息的数据称为标签数据，机器通过学习标签数据可建立模型，实现预测功能。针对不同的标签数据有两种分析方法：分类和回归。
先说分类（Classification）。打个简单的比方（只是比方，不要较真）：乳房肿块有良、恶性之分。假设良性多见于年轻女性，肿块直径都较小；恶性多见于老年女性，肿块直径相对较大。如果将年龄和肿块直径（输入值）告诉计算机，并给出相对应的良、恶性结果（输出值），计算机会生成一个函数，以X轴为年龄，Y轴为肿块直径，并计算出良、恶性的分界线。随着输入数据的增加，分割线会逐渐调整，越来越准确，当给一个新的输入数据时，计算机会用以往数据作参考，预测良、恶性（输出值）。这就是监督学习的分类应用。
接下来是回归（Regression）。比如，颅内血肿体积和颅内压之间的关系，假设我们有1万例脑出血患者的数据，每个患者的血肿体积都不一样，并且每个都经过颅内压测量。每个患者的血肿体积都对应一个颅压值。如果我们以X轴为血肿体积，Y轴为颅内压的话，可以得到类似下图曲线（红色虚线），计算机会根据现有数据构建模型用以预测，相应血肿直径下颅内压的值。如下图所示。
监督学习在医疗领域内已有广泛的应用，可以看出但监督学习需要人工不断给机器输入带有标签的数据，所以监督学习离不开人工辅助。那么，如何让机器在完全没有人工辅助的情况下自行学习呢，毕竟机器学习是需要大数据支持的，如果要给每个数据通过人工添加标签的话，那会耗费极大的人类劳动。
3、无监督学习（Unsupervised Learning）
无监督学习解决了监督学习的短板，它不需要标签数据，它能直接对原始数据进行分析，发现并归纳不同图像的特征（features），将其归类（clusters）。比如将不同性质肿瘤的MR影像当作原始数据，机器会自动学习并将肿瘤区分，如下图：
就像一个盘子里有红豆、绿豆和芝麻，一开始是散乱的，无监督学习做得就是将红豆、绿豆和芝麻都区分开，虽然机器并不知道哪一堆是绿豆，哪一堆是芝麻。对医疗领域而言，尤其是病理切片、影像AI诊断，无监督学习不但能总结出我们已知的某些肿瘤的影像特点，还能发现一些我们未知的，人眼尚无法辨别的细微差别，只要数据体量够大，机器学习的准确性就能更准确。
能坚持看到这里的小伙伴，都很了不起。接下来的内容会更加精（fa）彩（wei）。
那么，机器到底是如何识别一个图像中的内容的呢？在我们人类看来很自然、很简单的事，对机器来说却有极大挑战。为了让机器也能像人一样看懂图片，科学家让机器模学习模拟人脑结构——人工神经网络应运而生。神经网络是机器认知世界的途径和方法，针对不同任务，它有不同种类，下面我们只介绍卷积神经网络，它在医疗领域内有着重要的作用。
卷积神经网络（Convolutional Neutral Network，CNN）
如何将图片转化成机器可识别的代码，并且保留图片上的关键信息呢？比如，上图中一个手写数字“8”的图片，我们可以把图片中每一个像素或几个像素组成一个矩阵，看作一个神经元细胞，每个神经元都含有一部分图片信息，卷积神经网络将会对每一个神经元进行筛查，对神经元所携带的信息进行保留、增强或减弱等处理，不断强化神经元的特征......
版权声明
