Deep Learning 和 Machine Learning 在生物醫學工程方面將會有哪些應用？

01-13

未來10年，兩者在生醫的研究前景如何？（側重於學術方面）

碩士研究生在讀，目前在做的是基於機器學習的計算機輔助診斷。

就碩士期間對醫學圖像計算領域的了解來看，Deep Learning 和 Machine Learning 在醫學圖像處理領域的應用我所了解的有以下幾個方向：
1. 醫學圖像分割/目標檢測，利用Deep Learning分類方面的優勢，進行醫學圖像的分割，目前來說，利用Random Forest 和 CNN ，對各種組織的分割，精度已經能夠超過專家的手工分割結果了。學術界，對腦組織、軟骨、腫瘤等常見組織分割的研究已經非常普遍了；工業界，對肺結節的分割、檢測的相關應用已經投入實際使用。
2.醫學圖像配准，傳統的配准技術包括其與傳統機器學習的結合已經比較成熟，deep learning 熱門後，已經有了利用deep learning 實現組配準的研究成果。
3. 計算機輔助診斷，基於機器學習的計算機輔助診斷，將圖像或其他臨床數據中與診斷有關的特徵提取出來，結合臨床上的先驗知識，能得到十分精確的診斷或預測結果，能在很大程度上減小醫生的工作量，並作為醫生的參考建議。
4. 圖像重建/生成，高解析度到低解析度重建，如MRI到CT，避免電離輻射；MRI，CT到PET，減少成像成本；低解析度到高解析度，1.5T或3T的MRI生成3T或7TMRI，彌補各種插值方案的缺陷。
5. 動作捕捉/關節重建，例如 Kinect，從人的深度圖像和紅外圖像彩色圖像之類的重建出各個關節節點，進而追蹤人體的動作，可以用於康復治療中醫生的輔助診斷。事實上Kinect中重建人體的關節也是基於Machine Learing的。

這些都是以實驗室師兄師姐的科研工作為依據的，如果需要了解更多，請私信諮詢。

——————更新——————

在這個問題下另一位答主提到了更多的應用方向，請感興趣的朋友移步 @郭亨凱的回答。謝謝。

補充一下 @溫暖的逗比的答案，目前DL和ML在BME中還有一個用的比較多的領域是在生物電信號方向，比如腦電(EEG)中的腦機介面(HCI)、心電(ECG)，包括信號分類、回歸、特徵點檢測、去噪等。

個人滿看好的，人腦也可以看成模型，大醫院見多識廣醫生模型預測性能好，某些地方醫生混日子數據量又少診斷效能不堪入目。醫院的數據是海量的，前途光明啊

比起基於圖片和語言處理的技術，我更傾向看好一些完全新型類型的數據，尤其是目前的高通量測序數據，這些可能能帶給人類以前完全沒有過的認知。

目前就在做一個題目：某種遺傳相關疾病，有大概一半人接受治療之後，沒有任何改善，卻要每天打針，很痛苦，我們希望通過GWAS等測試，來預測病人的預後。這類問題是目前醫生已有經驗不具備的，會大大擴展對疾病診斷的認知水平

就圖像領域，如果是分類問題的話，我已經看過用CNN做醫學圖像的分類和分割的文章了。也無非就是換個資料庫，加點小改動而已。

其它的不了解。

Machine Learning對於圖像分類的處理能力在生物學中應該很容易得到運用，就比如說判斷熒游標記，判斷腦部圖像。我是學機器學習的對生物不是特別了解。