我的演讲主要分为两部分：一、人工智能辅助肺癌诊断；二、人工智能辅助机械故障的诊断。

一、人工智能辅助肺癌诊断。

在肺部有一种非常常见的病变叫“肺结节”，这里列举了一些来自美国的数据，在美国每500例X光扫描就会发现1例肺结节，100次CT扫描会发现1例肺结节，在美国每年患有肺结节的人有15万人，50岁以上的吸烟者有一半以上患有肺结节。肺结节的尺寸有大有小，有的尺寸比较大在3cm以上通常是恶性的，当肺结节小于0.5cm通常认为是良性的。但是在0.5cm到3cm之间范围内的肺结节是非常难于判断的。

医生通常会根据经验以及要问病人很多的问题，比如说肺结节是否是形状很规则像球形在表面公司是否光滑，如果肺结节的表面有很多针刺状的结构就说明是恶性的可能性很大。医生还会根据病人是否吸烟、从事的职业是否要吸入大量的粉尘、病人之前是否得过其他癌症等各方面因素进行诊断。

但即便有了这些因素、数据，诊断也是非常困难的。通常有经验的医生对相同的案例给出的诊断也是不一样的，所以诊断过程中会出现大量的病人本来没有癌症但是医生诊断病人是有癌症的，结果病人经历了后续很多复诊、治疗最后发现是没有癌症的。这样会给病人带来很大的压力，也消耗了很多的医疗资源。如果我们用人工智能的手段可以提高肺癌诊断准确率，那我们可以减轻病人的压力，同时也可以节约大量的医疗资源。

二、人工智能辅助医疗。

下面简单讲讲如何用人工智能的方法来预测肺癌，过程分为三步：1.图像预处理；2.识别肺结节；3.判断。拿到CT扫描图像后进行预处理，把处理好的数据输入到卷积神经网络里识别所有的肺结节。识别出所有的肺结节后会进一步给出判断，判断是良性还是恶性的。

CT扫描是低剂量X光断层扫描，会把人体像切片一样一层一层地扫描过去。我展示了两幅切片图，圆形是人的整个身体，中间后色的两个部分是肺部包括左肺叶和右肺叶，肺部内有很多白色的小白点，这些小白点大部分都是血管和支气管。所以医生在检查病人CT扫描图像时会从第一张图像一直连续浏览到最后一张图像。如果小白点是一直存在的那说明是连通的通道，很可能就是血管、支气管。如果小白点是突然出现，过了几幅图片后又消失了，那很有可能就是肺结节。

如何进行图像预处理，在我们拿到断层扫描图片后，包含了所有的信息，包括人体各种组织（骨骼、皮肤、肌肉组织、衣服、铅版），我们只关心肺部以内的结构和组织，所以这张图片里包含了大量的信息，不同人体组织对X射线的吸收是不一样的，在医学上有一张表格，翠这张表格可以读出肺部对X射线的-700到-600之间，如果以-600进行预知最后就可以得到这幅图片，之后可以进行一系列的操作，比如说辅食、膨胀，和原始图像进行叠加最后可以得最后的结果，最后的图片里包含了所有肺部以内的信息，这才是真正需要关注的数据，得到了这幅图片后还可以进行进一步的图像分割操作，就像我所说的，如果这个小白点是一直存在的，那它是连通的通道，如果是肺结节就是像球形不规则的肿块，可以通过其他图像分割算法分水岭、水平极等进行进一步的操作。如果可以去掉大量的冗余信息，最后把数据输入到神经网络里那识别的效果会更精确，也会得到更好的结果。

处理医学影像最常用的神经网络叫“U-net”，分为两部分，左边是自上而下的过程，右边是自下而上的过程。先讲讲左边部分，自上而下的过程是典型的卷积神经网络的过程，我们有一个核函数，用核函数不断地扫描图像，这样可以把图像所有的特征值提取出来。在浅层卷积神经网络中提取的是相对简单的特征，比如说一些线条（横线、竖线、斜线等），在非常深的卷积层提取的是非常复杂的特征（人脸、飞机、轮船等），提取了以后需要记录下来，所以需要增加通道。在加入数据后可以加入池化层，一方面是为了简化计算，另外一方面也是要减少过渡拟合。在此过程中图片的尺寸变的越来越小，而通道数量变的越来越多。一般来说正常卷积神经网络到了最底部会加入全连接层，再通过函数可以输出结果给出分类。U-net到了这一步以后有自下而上的过程，在这个过程中通道数量变的越来越小，图片尺寸变的越来越大，所以右边和左边是两个对称而相反的过程。

如何进行参数调节，首先要说的是ResNet，在香港人的设计里用到了大量的ResNet，因为当神经网络变的非常深以后，信息传递会导致信息消失、信息爆炸。ResNet就是说要跳过一些层，这样信息在于传递的更深，所以ResNet是非常有效的传递信息的手段。

Drop out也是为了减少过渡拟合，这样会随机去掉一些信息。交替训练是清华大学采取的办法，因为他们两个神经网络的模型用于肺结节的识别和肺癌诊断基本是一样的，从而进行交替训练就可以很大程度上减少错误。，而我们用的方法是多模型的混合。我们的样本不够多，因为样本是非常难于获得的，所以首先需要一组CT扫描的图片，这组CT扫描的图片还需要非常有经验的医生进行标的，要识别出所有的肺结节找出位置、大小、恶性/良性，并且等到一年后医生给出诊断病人是患有癌症还是没有癌症，所以这是要消耗大量时间和精力收集数据的过程。如果我们有了大量的数据，那可以把模型训练的更好。但收集数据是漫长的过程。

预处理是一项非常重要的工作，我们的图像包含了大量的冗余信息，神经网络不是万能的，不是说什么数据给他都可以给你输出非常好的结果。如果我们要进行数据的预处理去掉大量的冗余信息，神经网络的负担会小很多，输出的结果也会越精确。

三、故障诊断。

西人马公司是做传感器的公司，希望把传感器和人工智能结合起来做助手，这样传感器是触手，人工智能是大脑。故障诊断是在工业生产中有很多轴承，比如说风力发电机轴承不停运转就会有大量的磨损，如果磨损的很厉害最后发生断裂是非常严重的事故，通过传感器采集轴承在转动时的震动信号，可以提前做出判断，判断轴承是运行良好还是磨损很厉害需要维护。这样我们就可以提前进行维护，减少不必要的损失。

最简单的像上面两个采集的是振动的数据，左边是正样本左边是负样本，我可以进行简单的傅里叶变化得到频率的信号。最简单的可以把频率信号输入到神经网络最后可以输出结构。但是实际应用中场景是非常复杂的，信号包含了大量的噪音在里面，所以图像预处理也需要用到很多其他的手段。具体就不再深入讲了，因为包含了很多的公式。简单说在实际应用中可能需要大量的传感器监测横向的震动、纵向的震动，最后会得到一系列的特征，输入数据非常多的时候还需要从中选取非常重要的特征值从而训练神经网络。