運用深度學習理論於全醫院範圍的大量臨床圖像和文字資料庫,近年來已有明顯的進展。然而,現代的教學醫院存在大量非結構化病患數據於不同的臨床資料庫(例如 PACS、BTRIS、RIS、CRIS ),這些數據大部分無法編索引、無法進行語意檢索、也就無法用於解決不同尺度的量化精準醫療挑戰。
本議程將回顧我們三項研究工作的近期發展:
1. 運用統計深度群組學習方法,預測包含人口趨勢和個人數據的腫瘤生長模式;以及運用深度卷積神經網路直接顯示和了解腫瘤生長過程中的細胞侵襲和質量效應,並預測腫瘤的後續受累區域。
2. 透過學習每個病變的深度特徵表示,來組織和探索顯著的臨床異常,並構建一個三重網路以學習一萬多項病患研究潛藏的樹狀病變相似性。
3. 一個創新的 Text-Image Embedding 網路(TieNet),用於公共大型胸部 X 光數據集上,以多級關注模型和端到端訓練,抽離解析獨特的圖像和文本表現。
關於講者:呂樂是 NVIDIA AI-Infra 醫學成像和臨床訊息深度學習的資深研究經理。 2013 - 2017 年間,他在馬里蘭州貝塞斯達國立衛生研究院臨床中心擔任資深科學家。自 2006 年起,他的研究集中於醫學成像理解和語義分析,以適應新的臨床實務,特別是在預防性早期癌症篩檢,以及藉由大規模成像協議和統計(深層)學習規則,開發精準的創新成像生物標記。 2006 - 2013 年間,他任職於 Siemens Corporate Research 和 Siemens Healthcare (最後升任資深科學家),解決了結腸息肉和肺結節 CADx 系統、血管、骨骼成像方面的各種核心研發議題。他已列名 23 項美國和國際專利,且為 32 項發明的發明人或共同發明人。他發表或共同發表了 120 篇同儕評議的論文,在過去五年中,在頂級會議(如 MICCAI / CVPR )和期刊發表了一系列具有高度影響力的論文。他是 MICCAI 2018 、 2016 、 2015 以及 CVPR 2017 、 ICIP 2017 的分區主席。他在 2017 年由 Springer 出版了一本名為「Deep Learning and Convolutional Neural Networks for Medical Image Computing」著作。他在2007年獲得約翰霍普金斯大學的計算機科學博士學位, 2015 年獲得 NIH 年度最佳導師獎,並且在 2017 年獲得 NIH Clinical Center CEO 獎。