【.com快译】随着人工智能的发展，许多与人们日常生活密切相关的领域都受到人工智能的影响。其中，医疗领域一直是人们关注的焦点，很早就引入了机器学习来辅助医生进行治疗。例如，人们可以使用机器学习来自动识别X射线图像中是否存在骨折，或者确定医学图像中是否存在肿瘤或癌症。其中一些相关研究的历史非常悠久，长达10年甚至更长。人工智能在医疗行业的商业化近期受到风投界的追捧，成为最热门的投资领域之一。图1人工智能医疗企业图谱MICCAI是医学图像处理领域的权威会议。2016年，张涵等三位研究人员在MICCAI上发表了题为“OutcomePredictionforPatientwithHigh-GradeGliomasfromBrainFunctionalandStructuralNetworks”的论文，描述了他们如何利用图像处理和机器学习技术预测脑肿瘤的发展趋势。我们来看看他们的方法：45%的脑肿瘤可以归类为神经胶质瘤，论文是预测高级别神经胶质瘤（HGG）的发展趋势。作者声称，这项研究是研究界第一个分析大脑神经连接以预测脑肿瘤的研究。HGG发育预测由图像处理、特征选择和分类三部分组成。具体步骤如下图所示：图2.脑肿瘤预测系统架构图训练数据作者选择了68位患者作为研究对象，其中34位患者在650如果患者在一天内死亡，则视为负样本（坏）。另有34例患者存活超过650天，被视为阳性样本（良）。训练数据源是rs-fMRI数据和DTI数据。图像处理作者使用SPM8和DPARSF软件处理rs-fMRI数据构建功能脑网络模型，使用 FSL和PANDA软件处理DTI数据构建结构脑网络模型。NetworkConstruction对于结构脑网络，作者使用AAL将大脑划分为116个区域，并构建图论模型。每个区域都是图中的一个节点，通过神经纤维连接的区域之间产生一条边，边的权重与神经纤维的数量成正比，与两个区域的皮层表面积之和成反比。作者对这116个区域中的每一个区域都采样了BOLD时间序列，并计算了序列和序列之间的相关性作为节点之间的权重。特征提取作者在构建的脑网络中计算了以下特征作为机器学习模型的输入数据：网络中节点的度数、网络的聚类系数和最短路径长度、网络有效性和网络中心性。还添加了13个额外的特征，包括性别、年龄、肿瘤大小等。每个患者的特征总数为2797。由于特征的维度很高，因此会导致过拟合问题。作者采用以下三个步骤进行特征提取：1.使用t-test选择最能区分正负样本的特征2.使用RELIEF算法对剩余的特征进行排序和加权3.使用sequential特征选择的后向方法。然后使用SVM对特征子集进行预测。具有最高准确度的特征子集用作分类步骤的特征。实验结果表明，使用临床特征进行预测时正确率仅为63.2%，而使用所有特征进行预测时正确率为75%。具体实验结果如下表所示：图3.不同人工智能算法对脑肿瘤预测的效果。人工智能医疗涉及图像处理、机器学习等相关技术，历史悠久。近年来备受风投青睐的人工智能医疗是新瓶装旧酒还是下一个趋势，让我们拭目以待。原标题：脑功能和结构网络对高级别胶质瘤患者预后的预测，作者：刘路彦、张涵、IslemRekik、陈晓波、王倩、沉定刚王浩，恒昌力通大数据部负责人，美国犹他大学硕士，在百度、新浪、网易、豆瓣等公司有多年研发和技术管理经验，擅长机器学习、大数据、推荐系统、社交网络分析、计算机图形学、可视化和其他技术。在TVCG、ASONAM等国际会议和期刊发表论文5篇。本科毕业论文获得IEEESMI2008国际会议最佳论文奖。【翻译稿件，合作网站转载请注明原译者及来源.com】
