图像识别技术(Facebook用于人脸识别或谷歌在图像搜索中使用的同类技术)是最适合人工智能的任务之一，特别是深度学习。如今，这项技术正迅速发展到这样的地步：拯救生命等更崇高的抱负正在实现。

Infersight在实践中如何使用大数据和人工智能

肺癌在我国每年夺去60多万人的生命，其主要原因是空气污染。对于肺癌，CT扫描图像由放射科医生检查，以尽早发现癌症征象。然而，在一个真正缺乏医生，特别是合格的放射科医生的现状下，这可能意味着放射科医生每天要费力地进行数百次扫描。这既费时又费力，而且坦率地说，相当乏味。简单的人为错误，通常是由疲劳引起的，意味着犯了错误，错过了重要的诊断。

这个问题启发了医学影像诊断创业公司Infersight的创始人陈宽，将他的工作重点放在了医学领域的深度学习和图像识别上。想用深度学习来缓解这个巨大的问题。如果我们能用它来学习过去，帮助诊断更准确，我们可以帮助解决问题。

陈宽和两名团队成员花了整整一年的时间在四川人民医院进行一个试点项目，学习如何将他们正在构建的Inferview工具与现有的医院系统集成在一起。在这一年里，他们开始训练和教授他们的算法。这需要使用来自以前扫描图像的真实数据，以提高模型在肺部扫描中识别癌症生长迹象的准确性。

2015年，在试点成功后，Inferview获得了投资，该项目扩大到中国其他一些医院。今天，该公司正在寻找国际合作伙伴，以进一步帮助减轻世界各地放射科医生的负担。陈宽强调的是，Infersight的使命并不是消除对人类放射学家的需求。相反，它的技术旨在帮助放射科医生，使他们能够更准确和有效地诊断癌症。

在中国，每年只有8万名放射科医生需要接受14亿次放射学扫描。通过人工智能和深度学习，我们可以加强这些医生的工作。这项技术绝不会取代医生，它的目的是消除许多高度重复性的工作，并赋予他们更快的工作速度。

技术细节

人工智能深度学习使用的是模仿人脑功能的深层神经网络，数据沿着节点的网络传递，这些网络在节点间移动时根据它们正在处理的数据进行调整。通过这种方式，神经网络可以更有效地处理接下来的数据，这些数据是基于它之前的数据而产生的。这种从数据中“学习”的能力，以及一个系统有效地教授自己的能力，正是深度学习如此强大的原因。

陈宽和他的团队使用了一种被称为“监督学习”的方法，这意味着使用已知结果的数据集(在这个例子中，是癌症诊断)来“教”模型如何在未来作出反应。基本上，我们所做的就是教它预测x射线是否正常。

你能复制的想法和洞察力

看到人工智能以这种方式被使用是令人兴奋的，当然，这正是机器所擅长的任务;机器可以不停地工作，而不会感到无聊，也不会瞬间失去注意力。特别有趣的是，陈宽对人工智能技术的不同使用方法，增强了人类放射学家的工作，而不是取代他们。有这么多关于自动化和对人类工作的威胁的故事，它及时地提醒我们人工智能是如何帮助我们人类更聪明地工作的。