人工智能
微软人工智能公开课概览|雷锋网公开课
Video++张奕：人工智能在消费级视频场景中的应用丨雷锋网公开课（附PPT）
清华大学博士生涂锋斌：设计神经网络硬件架构时，我们在思考些什么？（下）|雷锋网公开课总结
清华大学博士生涂锋斌：设计神经网络硬件架构时，我们在思考些什么？（上）|雷锋网公开课总结
微软亚洲研究院秦涛：对偶学习的对称之美|雷锋网公开课总结
人工智能十大领域最新成果（人工智能十大科技应用）
人工智能十大领域最新成果（人工智能十大科技应用）时间：2022-05-1918:23:02作者：writer001阅读：
分享到：「人工智能」“当红不让”
要说最近几年最火热的“风口”，那一定是非“人工智能”莫属了，打开淘宝、抖音、微信、京东等软件，会发现智能推荐、搜索、语音转文字等人工智能的应用场景，可以说「人工智能」已经在生活中无处不在。
除了日常生活，数字经济时代，人工智能技术及产品在企业设计、生产、营销等多个环节中均有渗透且成熟度不断提升，AI应用从消费、互联网等泛C端领域，向制造、电力等传统行业辐射。
中国在2017年发布《新一代人工智能发展规划》，「人工智能」首次纳入国家战略规划，此后连续几年将“人工智能”写入《政府工作报告》。
根据2017年国务院印发的《新一代人工智能发展规划》，到2030年，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。3月，国务院发布的2022年政府工作报告指出，加快发展工业互联网，促进数字经济发展，培育壮大集成电路、人工智能等数字产业，提升关键软硬件技术创新和供给能力。
艾瑞咨询绘制中国人工智能产业图谱
那么中国目前在「人工智能」领域都取得了哪些成果呢?今天就带大家了解这些“黑科技”。
AI芯片
“无芯片不AI”,以AI芯片为载体实现的算力是人工智能发展水平的重要衡量标准。
2021年《“十四五”规划纲要和2035年远景目标纲要》指出，“十四五”期间，我国新一代人工智能产业将聚焦高端芯片等关键领域。从国家战略高度为人工智能芯片行业建立了优良的政策环境。
随着大算力中心的增加以及终端应用的逐步落地，中国AI芯片需求也持续上涨。2021年疫情缓解，市场回暖，产生较大增幅;类脑等新型芯片预计最早于2023年进入量产，因此2024及2025年或有较大增长，预计市场规模将于2025年达到1740亿元。
AI芯片在低功耗的同时处理大量数据，算力达到了传统芯片的1000倍。
中国企业如今已经是AI芯片领域最积极的参与者之一，目前AI芯片申请数量最多的国家分别是美国和中国，占比分别达到了37%和36%。
但是就当前市场的产能来看，纯国产品牌的芯片只占8%，国产芯片任重道远。
下图为中国人工智能芯片相关企业的融资情况，其中是否能有后起之秀脱颖而出?我们拭目以待。
AI计算
国务院印发的《“十四五”数字经济发展规划》提出，推动智能计算中心有序发展，打造智能算力、通用算法和开发平台一体化的新型智能基础设施，提供体系化的人工智能服务。
2022年“东数西算”工程全面启动，此工程大家想必已经耳熟能详了。
“算力”是人工智能应用的基础，用于人工智能(AI)训练的计算复杂度每年增加10倍，这其中最有代表性的就是大型计算中心和智能云。
超级计算机“神威太湖之光”
根据IDC统计，我国智能算力增长迅速，占据全球市场40%左右的份额，成为算力快速增长的驱动力。目前我国AI服务器支出规模同比大幅增长44.5%，并首次超过美国位列全球第一。但是计算服务仍未跨出地方范畴，数据中心平均IT负载率仅为20%-30%，没有为中小企业真正提供普惠算力，有待提升。
国家超级计算郑州中心
国家超级计算中心
已经建成的国家超级计算中心有天津、广州、深圳、长沙、济南、无锡、郑州、昆山八大中心，高性能算力已经走在世界前列，2021年全球浮点运算能力前500名榜单中，我国占了174位，数量保持全球第一。
但从算力上看，美国以32.5%的算力排名第一，日本算力大幅升至20.7%、超过中国的17.5%、排名第二，单台超算的性能落后于美国和日本。
智能云
国际分析机构Canalys日前发布的2021年中国云计算市场报告显示，中国的云基础设施市场规模已达274亿美元，由阿里云、华为云、腾讯云和百度智能云组成的“中国四朵云”占据80%的中国云计算市场，稳居主导地位。
2021年我国云计算市场规模已超2300亿元，预计2023年将突破3000亿元。
应用案例：12306铁路购票网站通过混合云部署将查询业务分担到云端，在保证本地数据安全的同时，支撑起春运期间最高每秒40万次的查询需求。
目前云计算技术产品和服务供给能力仍然不足，面向特定行业领域的解决方案依然有限，未来的市场潜力巨大。
自主无人系统
2022年4月29日，清华大学发布《智能无人系统产业研究报告(2022版)》
北醒CEO李远博士在圆桌论坛现场也谈到：“我们的激光雷达除了在诸如一汽奔腾E01电动车等汽车领域装载，也服务于冬奥会专线地铁，三峡大坝等大交通领域。目前公司产品已经累计出货近100万台，在安全和可靠性上经过了考验。目前，我们最新研发的超高性能激光雷达服务高级别的自动驾驶，支持国家交通强国战略，探索智能无人系统产业的未来可能性。”
无人驾驶汽车
国内首个24小时服务的车路协同无人驾驶接驳巴士东风悦享Sharing-VAN“春笋号”，五一期间在武汉投入使用。
“春笋号”升级版Sharing-BUS
策克口岸全国首例AGV无人驾驶跨境运输，通过道路磁钉的引导完成运煤作业。
AGV车辆额定载荷为70吨，一次拉运2个集装箱，净载重64.4吨，油电混合动力驱动，重载速度为18公里/小时，空载速度为25公里/小时。易大宗浩通能源有限公司计划今年投入24辆AGV，年运输能力达到1000万吨。
AGV无人驾驶车辆
百度/小马智行在北京获准在北京市经济技术开发区60平方公里核心区内开展无人化Robotaxi自动驾驶出行服务的权利。
百度已拥有国内最大的无人驾驶车队，旗下的萝卜快跑已在北京、上海、广州、深圳等超大城市实现自动驾驶载人出行服务，成为了全球最大的自动驾驶出行服务商。
百度已拥有国内最大的无人驾驶车队
目前的“无人化”是取消了车辆主驾驶位的安全员，并移至副驾驶位。百度智能驾驶事业群副总裁魏东透露，“全无人”自动驾驶或在今年年底能够开放。
副驾驶安全员
随着高级别自动驾驶示范区“去安全员”无人化测试开放，无人驾驶汽车正在快速走进我们的生活。
还有美团的无人配送车，驰援疫情地区。
美团外卖无人配送车
无人机
民用无人机领域，大疆无人机独领风骚，占据全球八成市场。
大疆无人机
智能工厂
“未来工厂”是数字化、智能化的工厂。
无人智能仓库
智库智能的托盘仓储机器人在立体化的货架上奔忙，通过智能调度平台，与运出运入的AGV叉车“无缝对接”，从入库到出库全流程“无人”。
京东亚洲一号仓库
去年双十一期间，京东物流武汉亚洲一号智能物流园区内，350余台智能分拣机器人正在分拣货物。
时刻关注工厂设备运行状况
预测性维护
通过人工智能系统，从车间到总裁办公室，全面了解工厂设备运行状态，消除系统风险。提前发现早期故障，减少计划设备维护时间，同时及时维护，还能延长设备寿命。
坐在办公室内就可以了解所有设备状态
智慧医疗
医疗服务质量的好坏，直接影响了居民的生活幸福指数。面对人口老龄化、慢性病增加、医疗资源分布不均、医疗人才缺失、公共卫生突发事件等问题，智慧医疗应运而生。
智慧医疗是医疗信息化最新发展阶段的产物，是5G、云计算、大数据、AR/VR、人工智能等技术与医疗行业进行深度融合的结果，是互联网医疗的演进。
华西医院智能自助挂号机
医疗信息化，比如医院的自助挂号缴费机器、电子病历等，后来再发展到互联网医院，比如阿里、腾讯等互联网公司布局的AI医疗体系。
而在5G、人工智能等新兴技术的推动下，医疗信息化正式迈入了“智慧医疗”时代。
针对智慧医院，国家卫健委曾经明确指出过它的三大工作范围，分别是：面向医务人员的“智慧医疗”、面向患者的“智慧服务”、面向医院管理的“智慧管理”。
疫情期间专家为雷神山医院重症患者“云会诊”
高效、高质量和可负担的智慧医疗不但可以有效提高医疗质量，更可以有效阻止医疗费用的攀升。在不同医疗机构间，建起医疗信息整合平台，将医院之间的业务流程进行整合，医疗信息和资源可以共享和交换，跨医疗机构也可以进行在线预约和双向转诊，这使得“小病在社区，大病进医院，康复回社区”的居民就诊就医模式成为现实，从而大幅提升了医疗资源的合理化分配，真正做到以病人为中心。
智慧城市(城市数字化)
城市数字化转型是在城市传统基础设施转型升级及“新基建”基础上，进一步触及城市治理、社会服务、产业经济、创新保障、低碳发展等核心业务，推动城市运营模式创新的数字化、智能化、系统化、高质量转型，其最终目标是构建以城市为单位的数字化组织。
2021城市数字化百强榜，数据来源：赛迪顾问
智慧城市，具体有哪些应用呢？
1、智慧公共服务，就业、医疗、文化、安居等专业性应用系统建设，提升城市运行效率和公共服务水平，例如就业系统、社保系统、数字化图审系统等。
2、智慧城市综合体，视觉采集和识别、各类传感器、无线定位系统、RFID、条码识别、视觉标签等顶尖技术，收集城市信息，将数据可视化规范化，让管理者可视化管理城市，例如道路交通实时路况。
交警指挥中心来源：中国吉林网
3、智慧社区，将门禁系统、监控系统、梯控系统、安保系统、物业系统等融为一体，从而形成基于信息化、智能化社会管理与服务的一种新型管理形态的社区。例如常见的楼宇对讲。
智慧城市涉及的面非常广泛，比如近日长沙市政府对外2022长沙市“新型智慧城市建设场景清单”。包括193个智慧城市应用场景（项目），预计总投资52.5亿元，涉及精细治理、惠民服务、基础支撑、生态宜居、产业经济等多个领域。
智慧金融
智慧金融领域最典型的三种案例分别是智慧银行、智能投顾、消费金融。
智慧银行
这个大家都很熟悉，现在几乎所有的银行都在推广自己的手机银行APP，智慧门户是智慧银行的支撑平台。同时，线下也布局智能化网点，实现智能联网排队、智能填单、精准营销、智能互动、电子大堂、掌上大堂、辅助决策等多功能。
工商银行的5G智慧银行
智能投顾
其实就是“机器人理财”，是将人工智能导入传统的理财顾问服务，依据需求者设定的投资目的及风险承受度，透过计算机程序的算法，提供自动化的投资组合建议。
消费金融
这个大家就更熟悉了，支付宝里的花呗就是其中之一，但消费金融公司还有许多，下图是2021年29家消费金融公司的业绩。(蚂蚁消费金融于2021年6月成立，自开业以来逐渐承接蚂蚁集团旗下小贷公司中符合监管规定的消费信贷业务，自2021年11月起，“花呗”已成为蚂蚁消费金融的的专属消费信贷品牌。)
来源：界面新闻
智能安防
智能安防与智能家居互有重叠，这里单独从中摘出智能安防，是因为智能安防在智能家居中是目前需求最高产品。
据权威机构发布的数据显示，从中国智能家居产品用户需求度情况来看，家庭安防是用户需求度最高的智能家居产品，需求度高达92%。
安全问题，不管是城市还是农村，人们都舍得在安全问题上投入，而且相对来说性价比也最高。据公安部统计，每年因入室盗窃造成的家庭损失高达11300亿元。
人工智能植入安防系统后，使得原本的监控系统变得更加实用便捷。
智能摄像头
摄像头除了像素竞争，是否具备视频通话的功能、环境感知的功能、物体识别、行为识别功能会逐渐成为家用摄像头“智能”与“智障”的分水岭，人工智能技术可以让摄像头不仅仅提供拍摄的功能，发现、识别、验证、拍摄、传输，一步到位。
家用可视频通话监控摄像头
智能门锁
除了摄像头，智能门锁是另一员“大将”。智能门锁实现了与家居安防、安保物业、社区安保等的联动，真正诠释了物联网“万物互通连接一切”的本质。
智能锁通过人脸识别、远程可视、智能门锁的联动防御，可做到人脸识别的一体化，精准、快速、高效地进行人脸识别，真正的做到无感知通行。而智能门锁连接的多功能报警器则可以连接社区物业平台与公安系统，全方位为用户提供一个安全、舒适的家庭环境。
2022年5月17日，OPPO发布了首款智能门锁，可见各大智能厂商也都已经盯上了这块“肥肉”。
OPPO刚刚发布的智能门锁售价1999元
从企业布局情况来看，除了以海康威视、大华股份为代表的传统安防巨头积极推动安防产品智能化转型外，互联网企业、家电企业和3C企业也纷纷布局智能安防市场。
AI虚拟人
大家还记得北京冬奥会上惊艳全场的“虚拟冰冰”吗?
虚拟：冰冰
这个“冰冰”是采用了科大讯飞最新语音合成、AI口唇表情驱动、定制3D虚拟形象等多项人工智能技术，虚拟人不仅拥有媲美真人的立体化身形，声音、语气、肢体动作，同时还有着外表、行为、交互等多重人类特征，还支持东北话、英语等31种语言及方言。
阿里巴巴的数字人“冬冬”
冬奥期间，阿里巴巴全球科研机构达摩院还推出了首个会智能互动的数字人冬奥宣推官——冬冬。
冬冬在淘宝“带货”
为了服务中国2700万听障人士，“百度智能云曦灵”团队，打造了这个虚拟人AI手语主播可以实现快速准确的手语翻译。
央视主持人朱广权和AI虚拟人手语主播PK
还有之前在抖音火爆全网的虚拟美妆达人“柳夜熙”，形象与真人相差无几，她拥有清晰精致的五官，第一条视频就获赞超过300万，涨粉百万，立刻登上了热搜。
虚拟美妆达人“柳夜熙”
虚拟美妆达人“柳夜熙”
国外“虚拟人”公司的底层技术相对发展较快，在CG、驱动等方面更具优势，而国内虚拟人更加多元化，在触达用户的广度上更具优势。随着“元宇宙”场景的日益拓展，“虚拟人”会更加商业化，未来将延伸到更多产业。
AI互联网生活
正如文章开头说过的，AI互联网时代，我们生活中处处都是移动互联网的痕迹，比如你正在打开的“今日头条”，他正在按照AI算法给你推送你想看的内容，包括我写的这篇文章。
如今，手机俨然已经成为了人类的“外延器官”。而AI+互联网正借助手机和其他智能产品，渗透到你身体和精神的每一个角落。
AI伴随你的一天
清晨，你伴随着智能音响“天猫精灵”准时为你播放的音乐缓缓醒来，播放的音乐是按照你收听喜好智能推送的“抖音”上最热新曲。
你抬起胳膊解下“华为智能腕表”去洗漱，一边打开手机，上面显示的是通过手表收集的你昨晚的睡眠状况。
洗漱后你来到厨房，按照预定时间，智能电饭煲里已经按照你的口味，将你提前放入的食材加工好了，你一边吃饭一边打开“今日头条”，上面推送了最新要闻和你偏爱的文章。
早饭后，你下楼开上自己的小车，百度地图自动为你开启导航模式，选择了最优路线，规避事故拥堵路段。
到公司楼下了，钉钉自动考勤打卡，你来到工位，打开电脑登录各种办公软件，开始了一天忙碌的工作。
中午12点，你在美团上提前订的外卖送到了，你一边吃着美味的午餐一边刷着快手视频，度过你放松的午间。
晚上下班路上，你开车回家，通过远程控制，家里的智能空调已经提前为你打开。而与此同时你定的蔬菜鲜果已经在配送的路上了，App上你能实时看到配送路线。
晚饭后，你打开电视，使用手机投屏，跟随健美操视频跳一曲《本草纲目》。
夜深了，智能音响为你特别精选了睡前音乐和睡前故事，美好的一天就这样结束了。
人工智能可能正是打开下一次工业革命的钥匙，属于人工智能的时代正“扑面而来”，我们无法逃避，那就好好利用，好好享受其中吧。
标签：
本文标题与链接：人工智能十大领域最新成果（人工智能十大科技应用）https://www.lingeyizhan.com/edu/490.html
相关推荐2023-03-20人工智能创业项目商机（人工智能哪个方向前景好）2023-03-07人工智能投资项目有哪些2023-02-07人工智能培训_人工智能培训靠谱吗2022-10-30如何入门人工智能行业，小白入门人工智能专业2022-10-30人工智能行业有哪些方向，人工智能应用行业2022-07-06人工智能师数据标注员：新职业打开就业新空间新待遇上一篇：2022年值得关注的8个人工智能趋势下一篇：中国人工智能的发展为什么需要“根技术”?人工智能在医学图像处理中的研究进展与展望
自伦琴1895年发现X射线以来，医学图像已经成为诊断人体疾病的重要医学检查手段。如今，计算机断层扫描(CT)、磁共振成像(MRI)和超声等医学图像都是疾病诊断最直接、最常用的方法。然而，大量的医学图像需要临床医生和影像科医生花费很多时间和精力进行阅片分析，并且还可能会因医生个人主观经验或疲劳出现阅片错误，导致疾病错诊、漏诊和误诊等问题，因此，亟须有数字化、智能化的软件和程序来解决这个问题，提高阅片速度和效率，减少医生错诊、漏诊和误诊的出现概率。
人工智能(artificialintelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，通常是指通过计算机程序来呈现人类智能的技术。根据2017年中华人民共和国国务院印发的《新一代人工智能发展规划》，人工智能已经成为我国科技的重要发展战略方向，其在我国各行各业都有重要体现。近年来，随着深度学习的发展，人工智能技术在医学领域取得了很多突破性进展，尤其体现在医学图像处理方面[1-2]，前期主要包括CT、MRI和超声图像中病灶的智能识别、自动分割、三维重建和三维量化，以及后期的疾病智能诊断和预后评估。本述评将从人工智能辅助医学图像分割和三维重建、疾病的智能诊断和预后评估三个方面探讨人工智能在医学图像处理中的研究进展，并对今后的医学人工智能的研究方向进行展望。
1人工智能辅助医学图像分割从MRI、CT、超声等多种模态的医学图像中，我们能够获取人体器官和病灶的二维生理学和形态学图像信息，但想要更直观地观察疾病病灶的三维形态和空间毗邻关系，实现对疾病的精准量化，为患者提供更准确的疾病信息、疾病诊断和最优治疗方案，则需要借助医学图像分割和三维重建技术，获得病灶及毗邻结构的三维数字化模型。传统医学图像的分割与三维图像重建主要依靠人工进行，存在耗时、繁琐、主观偏差(不同人员对知识的掌握与理解不同，导致分割与重建的误差)等缺点。
人工智能技术的运用对于医学图像分割具有重大的意义和应用价值，特别是基于深度学习的卷积神经网络算法有助于提高分割效率、缩短分割时间、减少主观偏差，可以将医生的精力从图像分割中解放出来。近几年一些研究表明，通过对经典卷积神经网络模型的改进可以在医学图像上对一些复杂组织结构达到很好的分割效果。香港中文大学LI等[3]于2018年提出的混合密集连接网络(H-DenseUNet)在肝脏分割方面取得了非常好的效果，很好地解决了同时分割肝脏和病灶的问题。同年，ZHAO等[4]研究团队通过将全卷积神经网络(fullyconvolutionalneuralnetworks,FCNN)和条件随机场(conditionalrandomfields,CRF)集成到统一框架中，开发了一种新的脑肿瘤分割方法，获得了具有外观和空间一致性的较好的分割结果。2019年巴西西拉联邦大学的ARAÚJO等[5]通过细胞分割深度学习技术的细胞学分析计算工具，在没有预分割的情况下排除包含异常细胞的低概率图像，从而提升了Pap测试检验效率，比现有的方法运行得更快，而且检测精准度不会受白细胞和其他污染物存在的影响。2020年山东师范大学XUE等[6]在快速采集的梯度回波图像上开发出一种基于深度学习的网络检测和分割方法，通过Dice测量自动和手动分割结果之间的重叠，证明该网络可以自动准确地对脑转移肿瘤病灶进行检测和分割，敏感性为(0.96±0.03)，特异性为(0.99±0.0002)，Dice值为(0.85±0.080)。在分割存在较大难度的肌肉组织方面，加拿大西蒙弗雷泽大学工程科学学院的DABIRI等[7]于2020年利用深度学习算法设计出包含第三腰椎(L3)轴向切片定位网络和肌肉-脂肪分割网络，将其运用在腹部CT图像上，实现了L3切片定位，其平均误差在(0.87±2.54)，完成了骨骼肌、皮下脂肪组织、内脏脂肪组织和肌肉间脂肪组织的自动分割，其平均Jaccard得分为97%、98%、97%、83%，定位和分割网络性能表明该方法具有高精度的全自动身体成分分析的潜力。2021年中国北京大学第一医院神经内科的YANG等[8]构建了卷积神经网络，用于分割MRI图像下肌肉结构，以获得肌肉在人体结构中的比值，用于诊断肌营养不良障碍，该深度模型在鉴别肌营养不良症患者方面表现出良好的准确性和敏感性，并通过与3名放射科医生对比，证明了该模型通过MRI图像诊断肌营养不良症方面存在潜在应用。
2人工智能辅助疾病的智能诊断医学疾病的诊断对患者预后评估以及治疗方案的选择至关重要，然而，医生对医学影像的准确解读需要较长时间专业经验的积累，有经验医生的培养周期相对较长。因此，人工智能辅助疾病的智能诊断非常重要和关键，不仅可以提高对医学图像的检测效率和检测精度，减少主观因素带来的误判，提高医生诊断速度，帮助年轻医生对比学习和快速成长，还能帮助缺少医疗资源的偏远地区、基层医院及体检中心提高筛查诊断的水平。这方面研究主要包括医学图像上疾病病灶的识别与分类，特别是在皮肤癌、肺癌、肝癌等常见疾病的诊断方面有突出进展。
早在2017年斯坦福大学的研究者[9]已经成功训练了一个可以诊断照片或皮肤镜下皮肤癌的深度学习算法，该算法不仅可以区分角质形成细胞癌和良性脂溢性角化病，还能准确识别出恶性黑色素瘤和普通的痣，该研究设计的深度卷积神经网络在测试时都达到了专家的水平。人工智能的皮肤癌鉴定水平已经达到了皮肤科医生水平，预计在不久的将来，具有该皮肤癌诊断算法的移动设备可以让皮肤科医生的诊断拓展到诊室之外，实现低成本的皮肤病重要诊断。
人工智能辅助肺癌的识别和诊断可显著减少过度诊断，主要的应用是在医学影像的基础上通过区分良性和恶性结节来改善肺癌的早期检测，因为早期识别恶性肺结节对于肺癌后期的手术、放化疗等治疗至关重要，同时决定了肺癌的预后。2019年ZHAO等[10]探索了利用最先进的深度卷积神经网络的3种策略包括修改一些最先进的卷积神经网路(convolutionalneuralnetworks,CNN)架构，集成不同的CNN构架和采用迁移学习，对CT图像上的恶性和良性肺结节进行分类，最后证明迁移学习的效果最佳。BONAVITA等[11]使用3D卷积神经网络评估肺结节恶性程度，并将其集成到自动化的端到端的现有肺癌检测流程中，提高了肺癌的预测效果。另外，美国德克萨斯大学西南医学中心WANG等[12]认为深度学习算法还将会影响肺癌的数字病理智能检测的发展。随着技术的进步，深度学习包括多任务学习、转移学习和模型解释等，都会对肺癌的诊断起着积极的影响效果。
随着越来越多研究的发表，人工智能技术在肝病诊断和治疗方面的应用也越来越多。CHOI等[13]利用来自7461例患者的大量CT图像数据集，开发了一个用于对肝纤维化进行分期的CNN模型，其性能优于放射科医生以及氨基转移酶-血小板比指数和纤维化-4指数等血液生化学指标，证明人工智能可以实现在CT图像上准确地诊断肝纤维化并对其进行分期。YASAKA等[14]使用来自460例患者的肝脏CT图像训练的CNN模型在肝脏肿块鉴别诊断中表现出较高的诊断性能。NAYAK等[15]开发了一种新的基于深度学习的肝脏三维分割和肝细胞癌(hepatocellularcarcinoma,HCC)检测系统，用于对肝硬化和HCC进行诊断分类，效果较好。HAMM等[16]使用434例HCC患者的MRI图像建立了一个CNN分类器对6个类别的具有典型成像特征的肝脏病变进行诊断分类，测试集性能显示平均敏感性为90%，特异性为98%，每个病变的计算时间为5.6ms。这些研究都表明人工智能深度学习可作为放射科医生最终决策支持工具的潜力，以及其能以省时的方式整合到临床工作流程的可行性。肝活检是目前检测、风险分级和监测非酒精性脂肪肝患者的标准，美国纽约州西奈山的伊坎医学院肝病科DINANI等[17]认为人工智能给诊断非酒精性脂肪肝及其表型风险分级带来希望，利用人工智能可以提高识别有非酒精性脂肪肝和晚期纤维化风险患者的能力，客观地评估肝脏疾病诊断并改进肝组织的组织学评估不足之处。
此外，人工智能在辅助膀胱癌的诊断上也有一些应用进展。2019年美国加州斯坦福大学医学院泌尿外科SHKOLYAR等[18]通过研究发现将人工智能中的深度学习算法用于增强的膀胱镜检查，可以改善肿瘤的定位精准度、肿瘤的识别率、术中导航效果和膀胱癌的手术切除效果。2020年德国美因茨大学医学中心病理学研究所WOERL等[19]尝试利用人工智能深度学习单独从传统的组织形态学中检测肿瘤组织外观，进而诊断侵袭性膀胱癌分子亚型，发现其诊断效果良好，类似或优于病理学专家，表明人工智能用于预测侵袭性膀胱癌的重要分子特征，有可能显著改善该疾病的诊断和临床管理。
3人工智能辅助疾病的预后评估通过患者信息和图像分析，提取肿瘤的大小、部位、形态、边界、质地等特征，预测疾病治疗反应，评估疾病的预后，可以帮助医生更好地选择合适的治疗方式，这方面的研究在不断发展，这也是医生和患者都关心的问题。2018年香港中文大学重点肿瘤实验室CHAN等[20]通过回顾性研究，分析3903例接受手术切除的早期肝细胞癌患者，构建了两个统计模型，用于预测切除后早期HCC的复发风险，模型经过广泛验证被证明适用于国际环境，临床医生使用后能够估计个别患者复发的风险，对指导监测随访和切除后辅助治疗试验的设计很有价值。通过近几年的发展，影像组学在肿瘤诊断、分期、预后以及预测治疗反应等方面也取得很多进展[21-22]。南京医科大学第一附属医院放射科的XU等[23]于2019年回顾性分析了总共495例肝癌手术切除的患者，构建的综合影像组学模型显示肿瘤大小和瘤内不均匀性与肿瘤微血管浸润相关，表明结合大规模的临床影像和影像组学特征构建模型，不仅能够有效预测HCC微血管侵犯风险，并可对患者术后复发及生存进行评估。2020年广州中山大学第一附属医院超声科LIU等[24]基于2008-2016年共419例患者(包括射频消融和外科手术切除患者)的肝脏对比增强超声，建立人工智能影像组学模型，预测射频消融和手术切除的无进展生存期，结果显示基于深度学习的影像组学模型可以实现无进展生存期的术前准确预测，可以促进极早期或早期肝细胞癌患者的最优化治疗方式选择。不仅如此，此研究团队还利用基于人工智能的影像组学方法在超声造影中准确预测肝细胞癌患者对经动脉化疗栓塞的反应，并在不同验证集中表现出高度可重复性[25]。由此可见，结合深度学习和影像组学的优势，可以更大程度地对疾病进行治疗反应预测和预后评估。2021年美国加利福尼亚州斯坦福大学医学院放射肿瘤科JIN等[26]通过多任务深度学习方法，充分利用治疗的动态变化信息，成功预测新辅助化疗后直肠癌出现病理完全缓解的可能性，在160例和141例患者的多中心验证中获得的受试者工作特征曲线下面积(areaundercurve,AUC)分别达到0.95和0.92，结合肿瘤血清标记物后，该模型的预测精度进一步得到提高，这项研究可用于改进治疗反应的评估和疾病监测，并有可能为个性化医疗提供信息。
4展望近年来，随着社会的数字化和智能化发展，虽然由于医学的严谨性和复杂性，人工智能在医学上的产品并不多，但是人工智能已在医学的研究上广泛普及。通过本述评对近几年国内外医学人工智能的研究和应用的分析，我们认为，医学院校的人工智能辅助医学图像处理方面的研究可主要聚焦于以下几个方面。
4.1医学影像和病理图像的智能分割人体正常结构和病灶详细信息的精准获取来源于人体结构的边界精准分割，而且人体结构三维图像和三维形态学参数的获取更依赖于二维影像学和病理学图像的分割，图像分割是后期疾病诊断、预后评估、治疗决策的基础，但是分割会花费医生大量的时间和精力。因此，亟须通过人工智能算法或工具，来解决手工分割耗时长、精度差、精度依赖于医生个体经验的问题。
目前，基于人工智能的深度学习算法常用于医学影像学图像如CT、MRI、超声和病理学图像的分析。一般在图像中选择一些具有一定准确几何形态规律的、相互变异较小的、边界比较清楚的人体组织结构，来进行深度学习算法或软件的训练，比如人体大脑、小脑、肝、肺、肾、脾、乳腺、甲状腺、骨骼肌等，尤其目前的研究在肝癌、肺癌等常见病、多发病的体现最多，往后的研究会逐渐向适合深度学习的而又为常见病多发病的实质性脏器疾病发展，如胰腺癌、食管癌、腮腺肿瘤等。然而，对于一些变异较大的结构如小肠、静脉，就不大适合使用深度学习算法进行分割，反而阈值法和区域扩增等传统算法可能会更加适合，因为目前的深度学习算法大多属于监督学习，需要医生的精准标注进行训练，而标注这些变异较大的结构会大大增加医生的工作量。因而，肉眼能识别和分割出来的结构，人工智能分割实施效果会较好，肉眼难以准确识别的结构，人工智能算法效果也会欠佳。因此，目前开展人工智能进行医学图像分割研究需要选择合适的分割结构和合适的临床疾病，但随着人工智能方法的不断更新，非监督学习的发展，医学图像的分割难题可能会得到解决。
4.2人工智能辅助疾病诊断疾病快速精准诊断是精准治疗的关键，传统的诊断存在医学诊断个体差异、耗时长、优势医疗资源相对匮乏等问题。人工智能辅助疾病诊断包括疾病病灶检测和疾病分类分期确诊，数据源主要来自人体影像学和病理学数据。在诊断效率上，人工智能在某些疾病的诊断上水平已经超过了医生，已经在临床上开始使用，比如肺癌、皮肤癌、乳腺癌等这几类都是常见的肿瘤，因为其训练样本达到了几千或几万病例。其他疾病如胶质细胞瘤、宫颈癌、直肠癌的智能诊断还处于发展阶段，主要原因是训练集样本量不够多，非多中心实验，这一部分研究仍可继续挖掘。还有一些如非肿瘤性的内科疾病比如感染性疾病、自身免疫性疾病等仍未作为研究的重点，这一部分的研究仍可继续开展。
人工智能辅助疾病诊断模型存在构建的通用性模型在特定任务中表现不理想的情况，如人体眼底彩色照片的眼底疾病的筛查和诊断中，使用通用性筛查模型往往在具体疾病的识别中表现就不够理想。同时，模型的构建，往往对图像的源数据质量要求比较高，如不同医院、不同医疗设备、不同操作技师所获取的数据就不一样，如果只用来自一家医院的数据，而不入组其他医院的，那么最后构建的模型，就不能精准智能诊断其他数据源的数据。因此，人工智能辅助诊断研究，早期可从单中心数据源选择入手，但在后期，则需要考虑多中心数据，这样，构建的智能诊断模型才能够具有通用性。
人工智能诊断疾病的技术路线要基于影像科或病理科医生，把他们的疾病诊断思路弄清楚、弄明白，才能更准确地让机器学习医生的诊断思路，进行智能诊断，从而达到疾病的精准诊断。如病理科医生诊断肿瘤，先判断细胞核的核分裂象和核异质性，再考虑细胞质的异常变化，另外皮肤科医师根据痣的大小、边界、颜色、质地均匀度、部位进行痣良恶性的判定，让机器按这样的思路学习才能事半功倍，实现精准诊断。
4.3人工智能辅助疾病预后评估人工智能辅助疾病预后评估，目前为临床医生和患者及家属最关心的问题。通常采用回顾性的研究分析方法，构建疾病智能预后评估模型，进行预后风险性评估研究和手术、放疗以及新辅助化疗风险性评估。目前，这一部分的研究逐渐成为医生和医学家关注的重点，比例在增高，甚至部分领域高于目前的人工智能辅助诊断研究。
疾病预后评估智能模型的构建及研究，同样需要结合临床医生的思维和诊断流程，比如肺癌、肝癌的智能预后评估，危险性主要跟其结节大小、部位、边界、质地均一度、供应血管丰富程度、与重要脏器的毗邻关系、与重要血管的毗邻关系和病理学结果，这样才能让机器学习到相关性强的深层特征。
总之，医学人工智能是数字医学发展的新方向，为现代医学研究的主流热点，是未来医学发展的必然趋势。现在医学人工智能尚处于弱人工智能时代，不具备沟通的功能和能力，仍然需要人工智能技术的不断提高和完善，以期早日实现人机智能交流。同时，由于医学问题的因果关系链复杂、精准度要求高、病人个体差异大，所以对医学人工智能产品的要求很高，虽然研究成果多，但产品产出慢，耗时长，耗钱多，我们需要有足够的耐心等待其发展。因此，医学人工智能的研究往往需要针对某一种疾病，制定一个短期、中期和长期的计划。短期计划，即利用较小的训练集样本库，完成人工智能初步模型的构建，获得较好的测试验证结果；中期计划，利用至少几百例、甚至是多中心的大样本训练集，对人工智能模型进行优化完善，并在临床前瞻试验中得到验证；长期计划，在较完善训练集模型的基础上，继续扩大样本量至几千例，提升模型的泛化能力和兼容性，以提高诊断和预后评估的精度准，降低错诊、漏诊和误诊的概率，达到产品上市的条件。
医学人工智能时代已经来临，我们亟须紧跟数字医学和人工智能时代步伐，激流勇进，为未来医学的创新和改革做出贡献。
近2年人工智能安全技术进展状况研究
前言
随着人工智能技术的发展，人工智能安全技术也呈现出创新发展的态势。人工智能安全技术，包括针对人工智能自身的攻防技术和基于人工智能的攻防技术。本文基于对近2年网络空间安全领域顶级会议技术成果的全面深入分析，从攻击人工智能的技术、防护人工智能的技术、基于人工智能的攻击技术以及基于人工智能的防护技术四个方面，研究了人工智能安全技术的最新进展，供大家参阅。
一、攻击人工智能的技术
1.对抗样本技术
2020年以来，对抗样本技术的发展重点在于不断将对抗样本扩展至音频、软件等非图像领域，以及不断降低黑盒场景下的样本生成代价。
2020年8月，出现了一种对黑盒商用自动语音识别系统进行对抗样本攻击的技术[1]，利用与目标无关的白盒模型增强近似于自动语音识别系统的替代模型，自动生成音频片段作为对抗样本，大多数攻击的开发只需4.6小时的训练数据，就可以确保将几乎100%的目标命令成功转换为可用的对抗样本。
2.机器学习模型窃取技术
2020年以来，机器学习模型窃取技术的发展重点在于不断降低窃取成本，以及探索新型窃取渠道。
2020年2月，出现了一种通过利用对抗样本、迁移学习等机制进行模型窃取的攻击技术[2]，能够以比此前技术少得多的成本，成功对Microsoft、Face++、IBM、Google以及Clarifai等的真实商用系统进行模型窃取攻击，窃取获得几乎与原模型性能相当的模型。
3.木马后门攻击技术
2020年以来，木马后门攻击技术的发展重点在于构建能够躲避当前先进检测技术的更隐蔽的木马后门。
2020年11月，出现了一种通过利用现有多个标签的良性特征组成的木马后门技术[3]，能够躲避当前最先进的木马后门扫描器。一个带有合成后门的神经网络在良性数据上可以达到与其原始版本相当的精度，当输入中存在复合触发器时，就会出现误分类。
4.数据中毒技术
2020年以来，数据中毒技术的发展重点在于针对自然语言处理、联邦学习等重要人工智能应用，构造针对性的、高效的数据中毒攻击。
2021年2月，出现了一种针对联邦学习的模型中毒攻击的通用框架[4]，利用该框架所构造的数据中毒攻击，效能大幅超越了此前的中毒攻击，新攻击比此前的攻击技术能够使模型准确率下降1.5至60倍。
5.数据泄漏攻击技术
2020年以来，数据泄漏攻击技术的发展重点在于不断探索、发现与利用新的数据泄漏渠道。
2020年11月，出现了一种嵌入模型的数据泄漏攻击技术[5]，通过三类攻击导致嵌入模型泄漏信息，表明嵌入向量可以反转以部分恢复输入数据，通过仅在少数标记的嵌入向量上训练推理模型，即可轻松提取诸如文本作者身份之类的属性信息。
二、防护人工智能的技术
1.对抗样本防御技术
2020年以来，对抗样本防御技术的发展重点在于针对不同应用领域特点，构建针对性的高效的鲁棒训练方法，提升人工智能在遭遇对抗样本攻击时的鲁棒性。
2020年8月，出现了一种具有鲁棒性验证能力的PDF恶意软件分类技术[6]，通过将鲁棒性可形式化验证训练应用于PDF恶意软件检测，从而提高PDF恶意软件检测在面临对抗样本攻击时的效能，能够实现92.27%的PDF恶意软件检测鲁棒性，同时保持99.74%的检测准确率和0.56%的误报率，并且大幅增加攻击成本。
2.毒化数据检测技术
2020年以来，毒化数据检测技术的发展重点在于根据具体应用对数据完整性的要求以及与数据应用中系统不变量的特征，构建高效的异常数据检测机制。
2020年8月，出现了一种针对无人系统注入信号的高效检测技术[7]，通过使用常见物理不变量，基于离线系统识别方式，根据CUSUM算法，运用隐蔽攻击评估异常检测工具的有效性，从而找到防御弱点，可检测到更多攻击，速度更快且误报率更低。
3.安全计算技术
2020年以来，安全计算技术的发展重点在于将同态计算、联邦学习等机制融入机器学习，将其应用于计算流程，从而能够达到安全计算所要求的数据隐私、模型隐私高保障、抗恶意用户，并大幅提升安全计算整体效能。
2021年2月，出现了一种高效能私密机器推理技术[8]，将矩阵编码引入基于同态计算的线性计算，通过深度优化将占大部分总计算成本大幅降低，能够比此前最好技术运行时间提高2至8倍。
三、基于人工智能的攻击技术
1.基于人工智能的攻击区块链技术
2020年以来，基于人工智能的攻击区块链技术发展重点在于将强化学习等人工智能基础机制用于区块链攻击技术自动发现。
2021年2月，出现了一种基于深度强化学习攻击区块链的技术[9]，能够针对区块链激励机制进行自动攻击分析，发现了新型攻击方法。将该技术应用于比特币、以太坊等，能够自动发现已知的一系列攻击方法，并且发现了一类针对以太坊的新型攻击。
2.基于人工智能的攻击智能手机技术
2020年以来，基于人工智能的攻击智能手机技术发展重点在于基于手机侧信道获取的数据学习话音规律，从而推断新的话音内容。
2020年2月，出现了一种基于深度学习的智能手机话音窃听技术[10]，通过使用深度神经网络，分析话音引起的手机运动感知器件振动信号，从而能够用于还原语音信号，能够比当前最好的方法提高3倍成功率。
四、基于人工智能的防护技术
1.基于人工智能的安全性分析基础技术
2020年以来，基于人工智能的安全性分析基础技术的发展重点在于将强化学习、迁移学习等人工智能基础机制，创新应用于模糊测试、污点分析等安全性分析基础技术组成部分中对效能影响较大的部分，提升该组成部分关键能力，从而能够使安全性分析技术发现此前技术无法发现的安全脆弱性，提升分析速率、准确率等关键效能指标。
2021年2月，出现了一种基于强化学习的模糊测试技术[11]，能够高效调度模糊测试种子输入，提高模糊测试程序覆盖率。将该技术应用于DARPACGC，能够比此前最好技术多检测出20%程序错误。
2.基于人工智能的安全检测技术
2020年以来，基于人工智能的安全检测技术的发展重点在于将深度学习、图片分类神经网络等人工智能技术，创新应用于恶意软件检测、恶意广告检测等，从而能够提高检测准确率、降低运行开销、减少人工工作量等。
2021年2月，出现了一种基于深度学习的恶意挖矿活动实时检测技术[12]，通过基于图像的分类区分良性网页和使用Wasm实施未经授权的挖矿网页。将该技术应用于真实网页，能够从最新的加密劫持恶意软件中即时检测挖矿活动，准确率为98.97％，检测时间平均为25.9毫秒，最多只使用4％的CPU和6.5％的RAM开销。
3.基于人工智能的防御加固技术
2020年以来，基于人工智能的防御加固技术的发展重点在于将对抗性机器学习、迁移学习等人工智能基础机制，创新应用于验证码、安全策略等防御机制加固，从而能够提高验证码破解难度、加速安全策略部署等。
2020年11月，出现了一种基于对抗性机器学习的验证码能力加固技术[13]，通过对验证码进行对抗性扰动，从而提升面对深度学习等自动验证码破解技术时可用性。将该技术应用于一个拥有数亿用户的大型国际电子商务平台上，能够将验证码的攻破率降低50%以上。
参考文献：
[1]“Devil’sWhisper:AGeneralApproachforPhysicalAdversarialAttacksagainstCommercialBlack-boxSpeechRecognitionDevices”，USENIXSecurity，2020.
[2]“CloudLeak:Large-ScaleDeepLearningModelsStealingThroughAdversarialExamples”，NDSS，2020.
[3]“CompositeBackdoorAttackforDeepNeuralNetworkbyMixingExistingBenignFeatures”，ACMCCS，2020.
[4]“ManipulatingtheByzantine:OptimizingModelPoisoningAttacksandDefensesforFederatedLearning”，NDSS，2021.
[5]“InformationLeakageinEmbeddingModels”，ACMCCS，2020.
[6]“OnTrainingRobustPDFMalwareClassifiers”，USENIXSecurity，2020.
[7]“SAVIOR:SecuringAutonomousVehicleswithRobustPhysicalInvariants”，USENIXSecurity，2020.
[8]“GALA：GreedyComputAtionforLinearAlgebrainPrivacy-PreservedNeuralNetworks”，NDSS，2021.
[9]“SquirRL:AutomatingAttackAnalysisonBlockchainIncentiveMechanismswithDeepReinforcementLearning”，NDSS，2021.
[10]“Learning-basedPracticalSmartphoneEavesdroppingwithBuilt-inAccelerometer”，NDSS，2020.
[11]“ReinforcementLearning-basedHierarchicalSeedSchedulingforGreyboxFuzzing”，NDSS，2021.
[12]“MINOS:ALightweightReal-TimeCryptojackingDetectionSystem”，NDSS，2021.
[13]“TextCaptchaIsDead?ALargeScaleDeploymentandEmpiricalStudy”，ACMCCS，2020.
声明：本文来自网安思考，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系anquanneican@163.com。