（文章來源：人人都是產(chǎn)品經(jīng)理）

通常的圖像分類任務(wù)動輒幾十萬、上百萬，甚至上千萬的數(shù)據(jù)量相比，醫(yī)療影像它的數(shù)據(jù)量是非常少的。同時，由于設(shè)備參數(shù)、醫(yī)生的拍照手法或拍攝角度、光照的明暗不同，食管的表觀變化非常復(fù)雜。那么，我們怎樣才能在這樣的條件下得到一個可靠穩(wěn)定的模型？

采用Feature map。Feature Map是卷積核卷出來的，你用各種情況下的卷積核去乘以原圖，會得到各種各樣的feature map。你可以理解為你從多個角度去分析圖片。而不同的特征提?。ê耍崛〔煌膄eature，模型想要達成的目的是解一個最優(yōu)化，來找到能解釋現(xiàn)象的最佳的一組卷積核。

在同一層，我們希望得到對于一張圖片多種角度的描述，具體來講就是用多種不同的卷積核對圖像進行卷，得到不同核（這里的核可以理解為描述）上的響應(yīng)，作為圖像的特征。他們的聯(lián)系在于形成圖像在同一層次不同基上的描述。下層的核主要是一些簡單的邊緣檢測器（也可以理解為生理學(xué)上的simple cell）。

在拿到食管數(shù)據(jù)之后，如何判別這個食管屬于健康正常食管還是病變食管呢？當(dāng)我們判斷一個食管是否異常食管時，只需要找到一個病變區(qū)域，就能夠說明這個食管是異常的。但是反過來，在正常圖像中，并不能說找到一個正常特征，就說明這個食管是正常的。只能說在這張圖像中我們沒有找到異常特征，它可能是見正常的。

因此，在正常特征和異常特征之間，我們更傾向于提取病變特征，抑制正常特征。病變和正常的case都會經(jīng)過神經(jīng)網(wǎng)絡(luò)，以得到特征向量。對于這個向量，我們希望盡可能凸顯異常特征，讓正常特征趨近于0。我們是如何把這種信息建模到模型中的呢？我們對模型進行了重新建模，最后準(zhǔn)確率大概在97%左右。前面的模型相對來說比較簡單，第三個模型主要是區(qū)分炎癥和癌癥，它與前兩個問題不大一樣。

一般情況下，病變的食管圖像里都會伴隨著一些炎癥的特征。我們對癌癥的判斷往往是通過一個紋理特別小的區(qū)域得出的，因此需要提取出更加精細(xì)化的特征。比較好的做法就是讓很多專家把病灶區(qū)非常嚴(yán)謹(jǐn)?shù)貥?biāo)注出來，這樣我們只需要對這個區(qū)域進行識別就好了。這個標(biāo)注量非常大，因此數(shù)據(jù)異常匱乏。我們沒有癌癥區(qū)域的標(biāo)注數(shù)據(jù)，但又希望得到非常精細(xì)化的特征，如何解決這個矛盾呢？

幸運的是，我們雖然無法獲取到非常精準(zhǔn)的病變區(qū)域標(biāo)注影像，卻能夠相對容易地知道一張圖像是否包含癌癥，因為只需要跟病例對應(yīng)關(guān)聯(lián)起來就好了。這樣一來，我們可以更容易地得到圖像全局的標(biāo)簽。

如果一張圖像包含了癌癥，必然會有一個或幾個區(qū)域包含了癌癥的特征。也就是說，如果我們把圖像切分成幾個patch，必然會有某個或某幾個patch包含癌癥特征。基于這樣一種思路，我們采取了多序列的學(xué)習(xí)方式。這個方法的內(nèi)在思想很簡單，就是把圖像切分成若干個patch，然后對每個patch建模，判別這個patch發(fā)生癌癥的概率。我們最后把所有patch里面癌癥概率最高的那塊，作為圖像是否包含癌癥的標(biāo)簽。

做的過程當(dāng)中，我們會逐漸積累精準(zhǔn)標(biāo)注的數(shù)據(jù)，這些數(shù)據(jù)非常少，不足以虛擬一個模型。但圖像中的特征都是最精準(zhǔn)的，是經(jīng)過人為校驗和標(biāo)注的。我們怎樣才能把這種少量的、精準(zhǔn)的數(shù)據(jù)強化到癌癥識別中去呢？這是個非常有意思的問題，如果能解決這個問題，即使只有少量標(biāo)準(zhǔn)數(shù)據(jù)，我們也能不斷提升。這里主要采用了多任務(wù)學(xué)習(xí)的方法，這個方法需要完成兩個任務(wù)：

基于有病變區(qū)域標(biāo)注的數(shù)據(jù)建立有監(jiān)督的學(xué)習(xí)任務(wù)；對于沒有病變區(qū)域標(biāo)注的數(shù)據(jù)，建立前面提到的多序列學(xué)習(xí)任務(wù)。這兩個模型共享特征提取網(wǎng)絡(luò)，特征提取網(wǎng)絡(luò)必須同時滿足兩大任務(wù)，這樣才能把精準(zhǔn)標(biāo)注的特征強化到癌癥識別中去。

輔助診斷的目的是什么呢？我們希望機器最終能夠像臨床醫(yī)生一樣具備診斷疾病的能力。在介紹輔助診斷項目之前，我們先來看看一個醫(yī)生或者一個普通的學(xué)生是如何成長為一名專家的：一個學(xué)生從剛?cè)雽W(xué)開始，學(xué)習(xí)了大量專業(yè)課程，閱讀了大量專業(yè)醫(yī)學(xué)文獻后，就可以積累一定程度的醫(yī)學(xué)知識。當(dāng)醫(yī)學(xué)知識達到一定程度之后，就可以去醫(yī)院里面實習(xí)，由臨床醫(yī)生結(jié)合一些真實案例，指導(dǎo)他去學(xué)習(xí)診斷的技能。

醫(yī)學(xué)知識圖譜的構(gòu)建，也就是機器學(xué)習(xí)知識的過程；有了知識之后學(xué)習(xí)診斷的能力，也就是建立疾病判別的一些模型；讓機器在與專家的博弈過程中，不斷提升診斷水平，逐漸逼近甚至超過專家。醫(yī)療知識圖譜的構(gòu)建過程中，我們首先要對文本數(shù)據(jù)進行處理。文本數(shù)據(jù)分成兩類，一類是半結(jié)構(gòu)化數(shù)據(jù)，一類是非結(jié)構(gòu)化數(shù)據(jù)。

我們可以把病史分為幾個部分：疾病的情況、入院的治療經(jīng)過、入院的依據(jù)等；把病史分為這樣幾部分信息后，再對每一類信息進行細(xì)化和提??；經(jīng)過提取之后，非結(jié)構(gòu)化的文本就變成了計算機能夠理解的結(jié)構(gòu)化文本；我們會把這些信息轉(zhuǎn)化為醫(yī)學(xué)知識圖譜存在電腦里，于是計算機就把這個知識學(xué)會了。

診斷的過程是這樣的，首先把一段人類語言描述的病情轉(zhuǎn)化成計算機可以理解的結(jié)構(gòu)化知識。有了結(jié)構(gòu)化的知識以后，機器就能理解這個人的情況，把知識推送到疾病診斷模型當(dāng)中，模型將給出一個疾病列表，診斷模型的流程大致就是這樣。

（責(zé)任編輯：fqj）