深度学习自动医疗影像重建

去年Nature以封面文章的形式刊载了斯坦福大学Esteva通过TransferLearning来训练深度卷积网络，并通过观察图片来诊断皮肤病，其诊断准确率已经超过皮肤科医生水平。本期Nature又讲述了如何训练一个简单通用的神经网络来轻松完成诸多医疗影像领域只有专家才能完成的图像重建工作。

在医疗影像邻域，无论是X-ray，PET-CT，多模态MRI等，都需要专家团队来负责从数据采集，图像重建，到病理解释的一连串烧脑工作。但无论哪种医疗影像模式，甚至雷达，引力波，地震测井，他们本质都是反问题的处理，即通过信号测量反推出产生该信号的物质的结构。传统上我们需要精心设计扫描实验，掌握数据产生采集原理，才能做重建工作。在大数据风行的今天，只要你有充足图片喂给神经网络来学习(甚至本文sensor data可以自己制造)，它就会像人脑一样通过改变突触权重来自动建立sensor与影像间联系。同样架构与同样超参可以适应五花八门的反问题处理，这点像极了人脑。人脑通过基本相同的皮质结构，来灵活处理视觉，听觉，运动，语言，计算，决策，识别，记忆等方方面面‘科学上的’难题。就好像我们不懂多普勒原理，也能通过声音判断汽车朝我们开来；即便我们不懂得气象学，也能够通过乌云判断马上要下雨。

未来，也许不再需要医生，棋师，影像专家的存在。未来，当快速高效智能的神经网络碰上浩如烟海的网络数据，会发生什么，也许只在乎于你的想象力。