赵泓维作者

「医疗影像+AI」2018 落地之年,9 大变化为证

凛冬已至,曙光仍在前方。

人工智能发展瞬息万变,却离不开「质量」与「需求」两项衡量产品优劣的关键要素。从人机大战到医院圈地,再到即将来临的商业化交付,看似漫长,却也只经历了短短两年时间,这一赛道环境瞬息万变。

过快的发展常常会招致质疑,「AI 技术革新医学影像」一直是业内外争论不休的论题,但无论舆论几何,AI 企业在落地上方面做出了实在的进步,超过 1000 家三家医院入驻了 AI 企业的医生。

那么,在这机遇与挑战并存的一年,人工智能改变了什么?人工智能又发生了怎样的改变?

细数AI九大变革与创新

1、对AI的态度

RSNA2018 开幕式后,主席 Vijay M.Rao,MD 在 Daily Bulletin 在采访中表示:「AI 和机器学习应用已经在放射学中有效地证明了自己的价值,但我们仅仅了解这些技术的皮毛。如今的 AI 应用将医生从重复的工作中解放了出来,让他们应更高的效率工作;患者因为技术的升级而无需长时间的等待,整个放射学也因此更透明。」

正如 Rao 所说,相对于去年 RSNA 上各位医生们举棋不定的表现,我们能看到医学 AI 最大的转变——观念的转变。这一变化可谓今年最为重要的变化,正是这一变化给 AI 的发展带来了数据、带来了革新,带来了潜在的商业化利益。因此,只有医生真的接受 AI,拥抱 AI,AI 技术才能离开离开实验室,走进真实世界。

国内态度同样如此。8 月中旬,浙江大学医学院附属邵逸夫医院率先就人工智能相关产品开放收费目录,文件中标明「(特需)人工智能辅助多学科疑难病联合诊治,6500 元/次」。青岛、辽宁等地区紧随其后,也将部分呢人工智能服务加入收费目录。医院方已经在今年作出了巨大的突破。

2、算法的变化

医学影像并不是AI应用的第一个场景,许多企业的AI技术源于计算机视觉的迁移,并在此基础上根据病种的特征进行训练、优化。迁移算法的优势在于开发者可以迅速切入医学领域,能加速医疗AI产业的发展。

今年算法的变化主要变化在两个方面,一方面,传统迁移算法通过数据与实验不断优化,鲁棒性、准确率等指标都有明显上升;另一方面,部分AI影像企业拒绝使用开源算法,而选择针对AI影像自建算法。

两种模式有拥有自己的优势,但要完全突破现有AI技术的瓶颈,或许单单的算法并不能完全解决问题,从基因等其他因素出发,全方位的看待问题,或许是另一条出路。

3、产品选择的变化

因为肺结节与眼底存在公开的数据库,且肺结节的数据库丰富而完整,所以在现有的AI企业中,我们能看到大部分企业都将肺结节产品作为主要产品。这一趋势并没有改变,改变的是更多新领域进入了开发者的视野。 

在2017年的RSNA大会上,研究影像组学的企业屈指可数,国内仅汇医慧影发布的放射组学云平台代表了相应的研究。而在今年,更多的企业开始了影像组学的研究,尝试从影像中高通量地提取有效信息。

乳腺癌是今年AI产业的一个亮点,虽其名为女性第一大癌症,但在去年,发布这一病种AI产品的企业屈指可数。反观今年,乳腺早筛几乎成了每个公司的标配,每个公司至少发布一款早筛产品(包括X光、超声、钼靶)。

希氏异构主打的消化内镜AI与数坤科技主打的心血管AI不断深入单一场景的研究,他们的专注力很可能在百花齐放时代下打造坚实的技术壁垒。

此外,更多的跨界融合也在进行之中,「AI+新药」无疑是今年的一个大热点,从全球范围看,打上这一细分领域标签的企业数量翻倍,其中国内的晶泰科技获 4600 万美元 B+轮融资,深度智耀获 1500 万美元 B 轮融资,AccurtarBio 也在 17 年的尾巴获投 1500 万美元。

还有一些基于NLP的辅诊项目以及视频捕捉技术也日益成熟,腾讯医疗AI实验室在创新领域的研发走在世界前沿,但所涉及领域暂时没有商业化的迹象。

4、落地情况

2018年可谓是医疗AI落地的一年,随着医生观念的转变,医生不仅仅开始使用AI产品,也逐渐参与到了产品的研发以及相关AI人员的培训,医生与研究人员之间的合作变得更加的频繁。

经过动脉网的统计,现阶段主要企业的落地情况如下图所示:

从图中可以看到,各家耳熟能详的人工智能企业均在落地上表现不错,其相应的成熟度指标也不断上升,但下面需要谈到的,是便是AI产品的指标问题。

5、指标变化

随着 AI 算法的精准度不断上升,逐渐趋近于完美,这个过程中也来带了诸多问题。其中最为重要的一点来源于一些公司在追求算法准确率的过程中,其精准率也在不断上升同时,误报率也在不断的上升。有医生表示:「对于常规的问题,AI 通常是不会漏诊,而一旦漏诊,必定出大问题。虽然有一些产品能对良恶性作出基本的判断,但离成熟还差得很远。」

为解决这些问题以及描述AI发展的状况,一些如医院闲置率、报告应用率新的指标也随之诞生。这些指标能协同准确率、鲁棒性,更全面的反映AI产品与医生的磨合程度。

6、商业模式

在三类器械审批通过之前,很多AI产品可获得CFDA二类器械认证,在此情况下市场孕育了一些可供未来参考的收费模式。 

1. 以使用次数收费,现阶段采用此种付费模式的以第三方影像中心为主。

2. 以买断方式购买产品。现阶段采用此种付费模式付费的以医院为主。

3. 年费形式。现阶段采用此种收费模式的产品暂未收集到相关数据。 

不同的收费模式反映了市场不同的需求。按次数收费的模式的优点在于灵活操作,成本易控制,但不可持续。对于第三方影像中心作为新兴赛道,其业务量相对较小,且产品迭代相对迅速,以买断的形式购买产品的方式过于昂贵,不利于企业的现金流,也不符合企业的阅片需求。 

对于医院而言,在没有现金流压力,又对产品较为满意的情况下,在产品定价成熟前以全款方式买断产品显然更有利可图,当前的价格必然远低于商业化后的价格。

年费模式虽未收集到相关数据,但在产品过审后,很有可能成为主流。一方面,这种运营模式方便于对产品进行成本控制,后期医院及影像中心若对某一产品不满意,也可及时更换产品。

7、技术突破

抛开商业化模式不谈,AI的技术突破也值得一看。

《细胞》介绍了中国团队的研究成果

2月《CELL》介绍了中国团队的AI工具,这是一款能精确诊断眼病和肺炎两大类疾病的人工智能工具,该工具有效地将图像分类为黄斑变性和糖尿病性视网膜病变,可以在30秒内确定患者是否应该接受治疗,准确度达到95%以上;在区分病毒性肺炎和细菌性肺炎上,准确率也超过90%。该研究开发了一种使用迁移学习技术的人工智能系统。

使用CNN识别皮肤癌

ANNALS OF ONCOLOGY上的一项研究中,研究人员开发了一个深度学习卷积神经网络CNN,并通过展示10万多幅恶性黑色素瘤和良性痣的图像来识别皮肤癌。CNN比皮肤科医生更少漏诊黑素瘤,误诊良性黑素瘤的几率更低。这是科学家们首次表明CNN作为人工智能机器学习形式比有经验的皮肤科医生更能准确诊断皮肤癌。

斯坦福吴恩达团队公布最大医学影像数据集,4万张为人体上肢端的X光片

斯坦福吴恩达研究团队开源了含有4万张人体上肢端的X光片的数据集MURA,并用这个数据集训练CNN寻找并定位X光片的异常部分。根据研究,全球现在超过17亿人的肌肉骨骼都出毛病,每年大概有3千万的急诊病例。MURA 是最大的开放性放射影像数据集之一,它有助于诊断上肢骨骼疾病。

无需活检,AI可以从CT图像预测免疫疗法效果

《The Lancet Oncology(柳叶刀肿瘤学)》上的一项研究,来自法国的Eric Deutsch博士团队用癌症患者的CT图像训练人工智能,得到一个可以通过患者的CT影像准确预测PD-1抑制剂治疗效果的人工智能平台。那些被认为有效的患者的中位生存期(24.3个月),比预测无效患者的中位生存期(11.5个月),提高了一倍以上。

清华大学廖洪恩团队发表人工智能影像基因组学系列论文在《IEEE生物医学工程汇刊》上

清华大学医学院生物医学工程系特聘专家廖洪恩教授课题组通过人工智能技术学习大量脑干胶质瘤患者的磁共振影像学特点,深度挖掘其与该基因的关联,不仅帮助医生获得基因学的诊断依据,而且方法分析得到与基因关联密切的影像学与临床参数能够提高医生的诊断经验。系列研究成果发表在生物医学工程领域知名期刊《IEEE生物医学工程汇刊》上。

全球首次开发出B型主动脉夹层人工智能自动分割方法

4月21日,汇医慧影联合中国人民解放军总医院血管外科发布“主动脉人工智能研究云平台AORTIST2.0”,这是全球范围内首次开发出的B型主动脉夹层人工智能自动分割方法,解决了此前B型主动脉夹层手术中的精准测量、预后预测和远程随访三大核心问题。

8、融资变化

根据动脉网数据库统计,全球共有 244 家企业将人工智能应用于医疗领域,主要布局在医学影像、健康管理和病历/文献分析三个应用场景,其中涉足医学影像的企 业数量达到 60 家,远高于其他应用场景的企业数量。

国内 96 家医疗人工智能企业,主要布局于医学影像、病历/文献分析,而其中布局于医院管理、疾病筛查和 预测的企业数量较少。

从国内看,医疗健康领域的人工智能创业公司表现尤为突出。在2018年仅第一季度就有 20多家 医疗人工智能企业获得融资,但随着本年下半年经济遇冷,整体投资数量与投资额度均有降低,但预计在新年到来前,AI领域还将有一波大额融资。

截止2018年1月-9月,AI融资排名前10名 

9、政策变化

针对人工智能专项出台的政策较少,一般归属于“互联网+医疗健康”相关政策,2018年3月国务院发布的《政府工作报告》,4月教育部发布的《高等学校人工智能创新行动计划》及国务院出台的《关于促进“互联网+医疗健康”创新行动计划》都强调了人工智能的发展与相关人才的培养,而对于企业而言,相对重要的是中检院光机电室对于医疗器械的审核。

2018 年 8 月 1 日起,我国新版《医疗器械分类目录》正式生效,文件将医用软件按二类、 三类医疗器械设置审批通道。

《目录》指出,若诊断软件通过其算法提供诊断建议,该建议仅具有辅助诊断功能,不直接给出诊断结论,本子目录中相关产品按照第二类医疗械器管理。若诊断软件通过其算法对病变部位进行自动识别,并提供明确的诊断提示,则其风险级别相对较高,本子目录中相关产品按照第三类医疗器械管理。所以,目前我们所看到的AI 产品,大多应属于第三类医疗器械。

为应对这一政策,我国大部分企业采取增删诊断功能的办法,同时申报二、三类器械,目前多家企业已经率先获得了二类证书,包括希氏异构、雅森科技、汇医慧影、深睿医疗、图玛深维推想科技、Airdoc、依图医疗等知名人工智能企业都在积极进行三类医疗器械的申报。依图医疗表示,他们的全产品矩阵都在做三类认证,而Airdoc送检了中国第一台装载待检人工智能 AI 软件的服务器。但目前尚未有一款产品获得三类证书。

按照医疗器械注册流程,产品从申报到最终过审要经过产品定型、检测、临床试验、注册申报、技术审评、行政审批等六步。目前,申报三类器械的医疗人工智能产品大多停留在注册申报起步阶段。 

中检院作为国家监管技术支撑机构,承担了医疗人工智能产品质量评价与研究工作。光机电室凭借在医疗器械软件检测方面经验丰富的优势,专门成立AI小组承担此项工作。

截至2018年10月,眼底影像标准数据库与肺结节数据库已初步成型,具体情况如下: 

眼底影像标准数据库的建立相对较早,目前已经形成了一个包含6327病例规模的数据库

数据来源于蛋壳研究院《2018医疗人工智能报告》

肺部影像标准数据库自2018年2月启动建设工作,4月开始在全国招募肺结节图像 标定专家,5月初完成上述专家的在线考试选拔和培训,6月10日完成线下封闭标定工作,24位标定专家及15位仲裁专家共同完成病例的标定。

数据来源于蛋壳研究院《2018医疗人工智能报告》

相对国外已经有4-6年AI产品审批经验的FDA,国内的NMPA相对年轻。对此,很多企业选择FDA与NMPA并行审批,一方面可以借鉴FDA的审批经验,另一方面有助于其开拓海外市场。以下是2018年通过FDA审批的一些公司及项目,希望可以为国内的企业审批带来更多经验。

图标部分数据由汇医慧影提供

未来,数字医疗产品的审评将分两个阶段走。第一个阶段需要制定出相关指导原则和标准,把检验、检测标准进行统一,第二步才开始对达到标准的产品“放行”。部分符合条件的,或许可以被批准免去临床试验。

2018年大公司布局变化

1、腾讯

在医疗人工智能方向,腾讯将其视为打通To B路径的重要布局,除了核心的腾讯医疗AI实验室,相关的优图实验室、AI lab也为腾讯的医疗AI版图献计献策。

近日,腾讯再获「数字诊疗装备研发」重点专项,开发人工智能辅助临床决策支持系统(AIACDSS),届时,腾讯将从科研合作中获得大量的训练数据以及 AI 开发经验,而腾讯云也将因此在 AI 医疗中发挥更为深度的作用。

2、阿里巴巴

在9月的云栖大会上,阿里医疗人工资能系统ET医疗大脑开启了它的2.0版本。该系统由阿里健康与阿里云联合打造,天生具备强大的算力优势和多样的数据优势。

相比于腾讯,ET医疗大脑的基因决定了它为生态建设为生,在未来ET医疗大脑2.0将针对临床、科研、培训教学、医院管理、未来城市医疗大脑等5大场景上集中发力。

3、百度

百度研究院发布一种名为“神经条件随机场”的AI算法,拥有强大的肿瘤病理切片检测能力,其检测准确率甚至超过专业病理医生,并突破此前最高记录。该算法不仅能对单一小图进行判断,还能够模拟图块之间的空间关系,大大提高了诊断的准确率,成为人工智能在医疗影像应用上的一次突破。

百度具备AI技术方向的绝对优势,但却对医疗领域涉猎不深,更多的是通过投资的方式间接对医疗进行布局。2017的离场之后,2018医疗相关的新闻屈指可数,一直到9月的百度世界大会,李彦宏宣布向500个贫困县捐赠百度研制的AI眼底筛查一体机,才为百度新添与医疗相关的正面联系。

但百度的实力毋庸置疑,在绝大多数AI影像算法为迁移算法的大前提下,专注于计算技术觉、无人驾驶技术的百度想要进入医疗AI领域非常轻松,关键要看是否有必要对这一领域进行直接投资。

4、科大讯飞

在智慧医疗方面,继去年成立全国首家智慧医院和推出全国首个以456分通过国家临床执业医师资格考试综合笔试评测的“智医助理”之后,科大讯飞在赋能医生、助力分级诊疗全面落地方面持续发力。

在医学影像方面也有更多突破,讯飞医学影像云平台集合了CT、DR等多项人工智能辅助诊断技术,辅助医生快速准确地完成影像诊断,有效减少漏诊误诊。

同时通过A.I.技术将优质医疗资源下沉至基层,让人们更便捷地享受更优质的医疗服务。目前讯飞人工智能医疗产品已经在全国121家三级医院、近2000家基层医疗卫生机构落地应用,累计服务超过300万人次。

5、科技企业与器械巨头

在世界舞台上,众多科技公司与器械巨头也纷纷在AI医疗领域发力,通过下表我们可以看到他们这一年的在AI方面的努力。

科技巨头的AI成果(部分)

器械巨头的AI成果(部分)

「潮向」何处?

2018年是人工智能落地的一年,而2019年人工智能将更加明确自己将落向何处。近日,国内领先的健康管理机构爱康国宾,正式启动iKangAI+计划,合作企业包括依图医疗、Airdoc、科大讯飞、阿里健康ET医疗大脑实验室、百洋智能科技-IBM Watson事业部。 

不仅仅是爱康及其相关企业,体素科技、腾讯觅影等也不断在向下的方向之中,朝着更大的场景迈进。

这是人工智能技术下沉的另一个转折点,或许我们能看到AI在三甲医院的临床应用之中献计献策,但就现在的NMPA审批结构下,深入诊断全流程或许不是明年的目标,而AI企业必须及早获取适合自己的商业模式。

另一个方向是同传统器械厂商的合作,好比手机与软件的结合,这是一个双赢的选择。 

归根结底,AI+影像是一条一定走得通的路,但在筑路之中,何不少些浮夸,多些脚踏实地?

动脉网
动脉网

专注医疗产业服务平台

产业医学影像智慧医疗卷积神经网络深度学习迁移学习计算机视觉机器学习
1
相关数据
高通机构

高通公司(英语:Qualcomm,NASDAQ:QCOM)是一个位于美国加州圣地亚哥的无线电通信技术研发公司,由加州大学圣地亚哥分校教授厄文·马克·雅克布和安德鲁·维特比创建,于1985年成立。两人此前曾共同创建Linkabit。 高通公司是全球3G、4G与5G技术研发的领先企业,目前已经向全球多家制造商提供技术使用授权,涉及了世界上所有电信设备和消费电子设备的品牌。根据iSuppli的统计数据,高通在2007年度一季度首次一举成为全球最大的无线半导体供应商,并在此后继续保持这一领导地位。其骁龙移动智能处理器是业界领先的全合一、全系列移动处理器,具有高性能、低功耗、逼真的多媒体和全面的连接性。目前公司的产品和业务正在变革医疗、汽车、物联网、智能家居、智慧城市等多个领域。

图玛深维机构

图玛深维由两位前高通公司深度学习和计算机视觉学专家创立,公司首将人工智能与深度学习技术引入到医学领域,是中国技术最领先的人工智能公司之一。我们的业务主要包括三大类:深度智能诊断,智能医疗数据分析,云端CAD。目前,公司已经在北京、苏州、上海、美国圣地亚哥设立了研发团队。图玛深维拥有世界前沿的深度学习技术,在人工智能肺结节检测、全自动病灶分割、良恶性分析、 影像组学提取、肺结节多周期随访等功能方面都遥遥领先于同类产品。现阶段,公司已经和 50家三甲医院的多个临床科室开展深度科研合作,并在不同产品线上做丰富和迭代。同时计划推出多类肿瘤疾病,心血管疾病,脑血管疾病自动检测的基于深度学习的诊断产品。

科大讯飞机构

科大讯飞股份有限公司(SZ.002230)成立于1999年,是一家专业从事智能语音及语言技术、人工智能技术研究,软件及芯片产品开发,语音信息服务及电子政务系统集成的国家级骨干软件企业。科大讯飞的语音合成、语音识别、口语评测、机器翻译等智能语音与人工智能核心技术代表了世界最高水平。

http://www.iflytek.com/
推想科技机构

北京推想科技有限公司,致力于采用人工智能深度学习的方法分析医学影像数据,期待为影像科医生提供精确、高效的辅助工具,从而让医生从繁重的重复性工作中得以解放。当前,推想科技已经获得来自中国、美国、日本和德国的数十家医院青睐。截至2017年9月,推想科技产品已辅助医生完成近20万例临床诊断工作。目前,推想科技已完成B轮融资,投资人包括红杉中国、启明创投、元生资本等。

汇医慧影机构

汇医慧影成立于2015年4月,是一家国家级医学影像人工智能高新技术企业。公司拥有图像深度学习的核心技术和多项专利技术,基于云计算、大数据、人工智能技术,构建了智慧影像云平台、数字智能胶片、肿瘤放疗云平台、大数据智能分析云平台和人工智能诊断云平台等五大平台,打造了医学影像的数字化、移动化、智能化,完成了从筛查、诊断、治疗到预后的闭环,是国内唯一一家以数据为驱动,从科研到临床全流程覆盖的高科技公司。截至2017年12月,汇医慧影已经接入700多家医院,包含北医三院、301医院、北京肿瘤医院等超过200家三甲医院和系列高端连锁医疗机构。并完成B轮超过2亿元融资。

www.huiyihuiying.com
相关技术
体素科技机构

体素科技(VoxelCloud)是一家人工智能医疗公司,是由丁晓 伟在 2016 年创立,公司创立于苏州,并在北京、上海设有分支机构,在美国洛 杉矶设立有 VoxelCloud 研究院。企业定位于下一代人工智能医疗产业,致力于 基于深度学习的精准和个性化医 疗诊断服务,该企业长期目标成为在人工智能 工业界、医疗界具有先驱影响力的企业,开启数据驱动医疗新时代。团队由中美 人工智能科学家、医生和资深工程师共同组成。

http://www.voxelcloud.io
吴恩达人物

斯坦福大学教授,人工智能著名学者,机器学习教育者。2011年,吴恩达在谷歌创建了谷歌大脑项目,以通过分布式集群计算机开发超大规模的人工神经网络。2014年5月16日,吴恩达加入百度,负责“百度大脑”计划,并担任百度公司首席科学家。2017年3月20日,吴恩达宣布从百度辞职。2017年12月,吴恩达宣布成立人工智能公司Landing.ai,并担任公司的首席执行官。2018年1月,吴恩达成立了投资机构AI Fund。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

卷积神经网络技术

卷积神经网路(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路,卷积神经网路需要考量的参数更少,使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据,它可以被认为是以一定时间间隔采样的一维网格,又如图像数据,其可以被认为是二维像素网格。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

迁移学习技术

迁移学习是一种机器学习方法,就是把为任务 A 开发的模型作为初始点,重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务,虽然大多数机器学习算法都是为了解决单个任务而设计的,但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见,例如,我们可能会发现学习识别苹果可能有助于识别梨,或者学习弹奏电子琴可能有助于学习钢琴。

条件随机场技术

条件随机场(conditional random field,简称 CRF),是一种鉴别式机率模型,是随机场的一种,常用于标注或分析序列资料,如自然语言文字或是生物序列。 如同马尔可夫随机场,条件随机场为无向性之图模型,图中的顶点代表随机变量,顶点间的连线代表随机变量间的相依关系,在条件随机场当中,随机变量 Y 的分布为条件机率,给定的观察值则为随机变量 X。原则上,条件随机场的图模型布局是可以任意给定的,一般常用的布局是链接式的架构,链接式架构不论在训练(training)、推论(inference)、或是解码(decoding)上,都存在有效率的算法可供演算。 条件随机场跟隐马尔可夫模型常被一起提及,条件随机场对于输入和输出的机率分布,没有如隐马尔可夫模型那般强烈的假设存在。 线性链条件随机场应用于标注问题是由Lafferty等人与2001年提出的。

图像分类技术

图像分类,根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域划归为若干个类别中的某一种,以代替人的视觉判读。

推荐文章
暂无评论
暂无评论~