每周三期，詳解人工智能產(chǎn)業(yè)解決方案，讓AI離你更近一步。解決方案均選自機器之心Pro行業(yè)數(shù)據(jù)庫。方案1：唇語識別技術(shù)解決方案簡介：在非特
每周三期，詳解人工智能產(chǎn)業(yè)解決方案，讓AI離你更近一步。
解決方案均選自機器之心Pro行業(yè)數(shù)據(jù)庫。
方案1：唇語識別技術(shù)
解決方案簡介：
在非特定人開放口語測試集上，搜狗唇語識別系統(tǒng)已經(jīng)達到60%以上的準確率，超過Google發(fā)布的英文唇語系統(tǒng)50%以上的準確率。在垂直場景如車載、智能家居等場景下，搜狗唇語識別系統(tǒng)甚至已經(jīng)達到90%的準確率。
解決方案詳解：
通過機器視覺識別，不用聽聲音，僅靠識別說話人唇部動作，就能解讀說話者所說的內(nèi)容。 唇語識別是一項基于機器視覺與自然語言處理于一體的技術(shù)，因此在研發(fā)難度上比語音識別大得多。
系統(tǒng)使用了復雜端到端深度神經(jīng)網(wǎng)絡(luò)技術(shù)進行中文唇語序列建模，并通過數(shù)千小時的真實唇語數(shù)據(jù)訓練而成。
作為人機交互的形式之一，未來唇語識別技術(shù)可以輔助語音交互及圖像識別，在日常生活、安防、公益等各個領(lǐng)域?qū)崿F(xiàn)廣泛應(yīng)用。
例如在車載場景下，周圍噪音過大時會對語音指令產(chǎn)生干擾，通過唇語識別技術(shù)則可以規(guī)避干擾，保證人車交互的準確性和穩(wěn)定性。
在安防領(lǐng)域，由于目前多數(shù)監(jiān)控只有攝像頭沒有麥克風，給案情分析帶來很多難題，唇語識別技術(shù)可以幫助公安人員獲取重要的講話信息，為公共安全提供有效支持。
方案2：物流路線規(guī)劃技術(shù)
解決方案簡介：
根據(jù)趨勢進行預測，未來的物流體量可能會達到每日 10 億個包裹，配送難度非常大，純粹增加倉庫和分撥點難以完成物流任務(wù)。 企業(yè)使用人工智能算法規(guī)劃物流路線，能使得物流過程更快速且更成本更低。
解決方案詳解：
菜鳥智能物流路線規(guī)劃是菜鳥網(wǎng)絡(luò)自主研發(fā)的車輛路徑優(yōu)化算法，技術(shù)上融合了大規(guī)模鄰域搜索、超啟發(fā)式算法、基因算法、分布式并行化和增強學習，在公開數(shù)據(jù)集上，算法已全面超過廣泛使用的開源產(chǎn)品 Jsprit，在 Gehring & Homberger 數(shù)據(jù)集上 (客戶點規(guī)模達到 1000)，已經(jīng)持平若干項世界紀錄。
方案3：阿茨海默癥預測技術(shù)
解決方案簡介：
該算法可以在阿爾茲海默癥狀出現(xiàn)前 10 年，發(fā)現(xiàn)由疾病引起的大腦微小的結(jié)構(gòu)變化，以達到盡早檢測出阿爾茲海默癥的目的。
解決方案詳解：
意大利巴里大學的研究小組通過對 67 個核磁共振成像掃描來訓練模型，訓練集包含 38 個來自老年癡呆癥患者的數(shù)據(jù)以及 29 個來自健康人的對照數(shù)據(jù)。
研究人員將掃描結(jié)果分成小區(qū)域，并使用模型分析神經(jīng)元之間的連接。在訓練完成后，研究者通過對 148 個實驗對象的腦部掃描來測試這種算法。
此外，在算法的測試方面，研究人員對 48 名該病患者以及 48 名患有輕度認知障礙的人進行腦部掃描進行驗證，效果良好。算法能夠診斷出 85% 的老年癡呆癥，檢測出輕微認知損傷的正確率能達到 84%，這項研究的意義在于，未來有可能為阿爾茲海默癥病人爭取 10 年寶貴的治療和心理準備時間。
研究人員現(xiàn)在的測試數(shù)據(jù)僅限于在南加州大學阿爾茨海默癥的神經(jīng)成像項目數(shù)據(jù)庫，算法僅能在該數(shù)據(jù)庫內(nèi)學習提升。
方案4：鼻咽癌放療臨床靶區(qū)自動勾畫技術(shù)
解決方案簡介：
鼻咽癌是華南地區(qū)的高發(fā)惡性腫瘤。因為頭部是人體的重要器官，手術(shù)治療風險大，故放療手段通常是首選。但醫(yī)生勾畫單個鼻咽癌患者的靶區(qū)，需要花費兩三個小時，看數(shù)百張 CT/MRI 影像，不但非常耗時，而且靶區(qū)勾畫的準確度與放療劑量選擇直接決定了患者的治療效果和生存率。
而在醫(yī)學影像領(lǐng)域里面，只有三個場景具有光學圖像的特征：肺小結(jié)節(jié)、眼底 OCT、細胞病理。其中細胞病理圖像的獲取成本比較高。
但大部分腫瘤沒有上述三個病種的特點，其圖像邊緣比較模糊(特別是在早期)、對比度較低，具有弱邊緣的特征，弱邊緣的特性不是光學圖像所具有的。
因此，利用深度學習技術(shù)去做腫瘤可能會受限于數(shù)據(jù)。該產(chǎn)品通過機器學習方法，采用小樣本集數(shù)據(jù)訓練模型，并運用知識圖譜和深度學習的知識完成模型的訓練，可對 GTV(腫瘤區(qū))和 CTV(臨床靶區(qū))進行自動勾畫。在充分保證靶區(qū)勾畫精準度的前提下，可將勾畫時間從數(shù)小時縮短到幾分鐘，大大提高了臨床醫(yī)生的診療效率。
解決方案詳解：
在數(shù)據(jù)獲取方面，柏視醫(yī)療將其系統(tǒng)部署到合作醫(yī)院中，并不從醫(yī)院直接獲取數(shù)據(jù)，而是在院內(nèi)訓練系統(tǒng)，從而獲得增強特征數(shù)據(jù)集，利用這些特征集再完善本身的系統(tǒng)模型，有效地保護醫(yī)院的數(shù)據(jù)隱私性，也解決了現(xiàn)有其他技術(shù)公司醫(yī)療數(shù)據(jù)獲取灰色地帶的問題。
所有數(shù)據(jù)均由中山大學附屬腫瘤醫(yī)院的主任醫(yī)師進行標注。該系統(tǒng)已嵌入 2017 RSNA 上，飛利浦發(fā)布的人工智能平臺IntelliSpace Discovery 2.0。
方案5：AI 為癌細胞「染色」，輔助醫(yī)生選擇治療方案
解決方案簡介：
當人體內(nèi)有了腫瘤，腫瘤浸潤淋巴細胞 (TIL)就會從血液中出發(fā)，前往腫瘤所在的地方，大量的 TIL 存在，就表示機體對抗腫瘤的免疫反應(yīng)正在發(fā)生。
基于免疫原理的其中一類抗癌療法，便是通過發(fā)動 TIL，來讓它們殺死癌細胞。適用此類療法的癌癥不在少數(shù)，黑色素瘤、肺癌、膀胱癌以及一部分腸癌，都對這類療法有所反應(yīng)。而腫瘤科醫(yī)師，需要觀察病理切片，識別腫瘤組織的免疫特征，從而判斷免疫療法對哪些病患比較有效。石溪大學團隊用深度學習算法來繪制腫瘤浸潤淋巴細胞(TIL)圖譜，讓一組卷積神經(jīng)網(wǎng)絡(luò) (CNN) 識別TIL的分布情況，便有可能為癌癥診斷和治療方案的制定提供一些建議。 AI 為癌細胞殺手「染色」，可輔助醫(yī)生選擇治療方案。從實驗結(jié)果來看，AI 的「染色」和傳統(tǒng) H&E 的染色區(qū)域雖不是完美重合，卻也達到了不錯的一致性。
解決方案詳解：
由石溪大學領(lǐng)銜的研究團隊，用深度學習算法來繪制 TIL 圖譜，讓一組卷積神經(jīng)網(wǎng)絡(luò) (CNN) 識別 TIL 的分布情況，便有可能為癌癥診斷和治療方案的制定提供一些建議。
團隊提取了 13 種癌癥 4,759 位患者的 5,455 幅數(shù)字化病理圖像。在訓練過程中，一位有經(jīng)驗的病理學家要在圖像中標記 TIL 和壞死發(fā)生的區(qū)域。
這些訓練數(shù)據(jù)會被分成幾組，來喂養(yǎng)神經(jīng)網(wǎng)絡(luò)，讓它學會給腫瘤切片中的 TIL「染色」，代替了傳統(tǒng)切片檢測中的蘇木精-伊紅 (H&E) 染色。然后，系統(tǒng)根據(jù) TIL 數(shù)量和密度等簡單的數(shù)據(jù)，以及細胞群的屬性和圖像規(guī)律等復雜的細節(jié)，在臨床數(shù)據(jù)和基因組數(shù)據(jù)的輔助之下，將腫瘤進行分類，繪制一幅關(guān)系對應(yīng)圖譜。圖譜包含了患者生存率、腫瘤亞型、免疫情況等各項指標與 TIL 之間的關(guān)系。這樣一來，醫(yī)生便可以根據(jù) TIL 反應(yīng)的強弱等多種因素，來判斷要不要采用基于免疫的治療方案。
關(guān)鍵詞： AI
