每周三期，详解人工智能产业解决方案，让AI离你更近一步。

解决方案均选自机器之心Pro行业数据库。

方案1：唇语识别技术

解决方案简介：

在非特定人开放口语测试集上，搜狗唇语识别系统已经达到60%以上的准确率，超过Google发布的英文唇语系统50%以上的准确率。在垂直场景如车载、智能家居等场景下，搜狗唇语识别系统甚至已经达到90%的准确率。

解决方案详解：

通过机器视觉识别，不用听声音，仅靠识别说话人唇部动作，就能解读说话者所说的内容。 唇语识别是一项基于机器视觉与自然语言处理于一体的技术，因此在研发难度上比语音识别大得多。

系统使用了复杂端到端深度神经网络技术进行中文唇语序列建模，并通过数千小时的真实唇语数据训练而成。

作为人机交互的形式之一，未来唇语识别技术可以辅助语音交互及图像识别，在日常生活、安防、公益等各个领域实现广泛应用。

例如在车载场景下，周围噪音过大时会对语音指令产生干扰，通过唇语识别技术则可以规避干扰，保证人车交互的准确性和稳定性。

在安防领域，由于目前多数监控只有摄像头没有麦克风，给案情分析带来很多难题，唇语识别技术可以帮助公安人员获取重要的讲话信息，为公共安全提供有效支持。

方案2：物流路线规划技术

解决方案简介：

根据趋势进行预测，未来的物流体量可能会达到每日 10 亿个包裹，配送难度非常大，纯粹增加仓库和分拨点难以完成物流任务。 企业使用人工智能算法规划物流路线，能使得物流过程更快速且更成本更低。

解决方案详解：

菜鸟智能物流路线规划是菜鸟网络自主研发的车辆路径优化算法，技术上融合了大规模邻域搜索、超启发式算法、基因算法、分布式并行化和增强学习，在公开数据集上，算法已全面超过广泛使用的开源产品 Jsprit，在 Gehring & Homberger 数据集上 (客户点规模达到 1000)，已经持平若干项世界纪录。

方案3：阿茨海默症预测技术

解决方案简介：

该算法可以在阿尔兹海默症状出现前 10 年，发现由疾病引起的大脑微小的结构变化，以达到尽早检测出阿尔兹海默症的目的。

解决方案详解：

意大利巴里大学的研究小组通过对 67 个核磁共振成像扫描来训练模型，训练集包含 38 个来自老年痴呆症患者的数据以及 29 个来自健康人的对照数据。

研究人员将扫描结果分成小区域，并使用模型分析神经元之间的连接。在训练完成后，研究者通过对 148 个实验对象的脑部扫描来测试这种算法。

此外，在算法的测试方面，研究人员对 48 名该病患者以及 48 名患有轻度认知障碍的人进行脑部扫描进行验证，效果良好。算法能够诊断出 85% 的老年痴呆症，检测出轻微认知损伤的正确率能达到 84%，这项研究的意义在于，未来有可能为阿尔兹海默症病人争取 10 年宝贵的治疗和心理准备时间。

研究人员现在的测试数据仅限于在南加州大学阿尔茨海默症的神经成像项目数据库，算法仅能在该数据库内学习提升。

方案4：鼻咽癌放疗临床靶区自动勾画技术

解决方案简介：

鼻咽癌是华南地区的高发恶性肿瘤。因为头部是人体的重要器官，手术治疗风险大，故放疗手段通常是首选。但医生勾画单个鼻咽癌患者的靶区，需要花费两三个小时，看数百张 CT/MRI 影像，不但非常耗时，而且靶区勾画的准确度与放疗剂量选择直接决定了患者的治疗效果和生存率。

而在医学影像领域里面，只有三个场景具有光学图像的特征：肺小结节、眼底 OCT、细胞病理。其中细胞病理图像的获取成本比较高。

但大部分肿瘤没有上述三个病种的特点，其图像边缘比较模糊（特别是在早期）、对比度较低，具有弱边缘的特征，弱边缘的特性不是光学图像所具有的。

因此，利用深度学习技术去做肿瘤可能会受限于数据。该产品通过机器学习方法，采用小样本集数据训练模型，并运用知识图谱和深度学习的知识完成模型的训练，可对 GTV（肿瘤区）和 CTV（临床靶区）进行自动勾画。在充分保证靶区勾画精准度的前提下，可将勾画时间从数小时缩短到几分钟，大大提高了临床医生的诊疗效率。

解决方案详解：

在数据获取方面，柏视医疗将其系统部署到合作医院中，并不从医院直接获取数据，而是在院内训练系统，从而获得增强特征数据集，利用这些特征集再完善本身的系统模型，有效地保护医院的数据隐私性，也解决了现有其他技术公司医疗数据获取灰色地带的问题。

所有数据均由中山大学附属肿瘤医院的主任医师进行标注。该系统已嵌入 2017 RSNA 上，飞利浦发布的人工智能平台IntelliSpace Discovery 2.0。

方案5：AI 为癌细胞「染色」，辅助医生选择治疗方案

解决方案简介：

当人体内有了肿瘤，肿瘤浸润淋巴细胞 (TIL)就会从血液中出发，前往肿瘤所在的地方，大量的 TIL 存在，就表示机体对抗肿瘤的免疫反应正在发生。

基于免疫原理的其中一类抗癌疗法，便是通过发动 TIL，来让它们杀死癌细胞。适用此类疗法的癌症不在少数，黑色素瘤、肺癌、膀胱癌以及一部分肠癌，都对这类疗法有所反应。而肿瘤科医师，需要观察病理切片，识别肿瘤组织的免疫特征，从而判断免疫疗法对哪些病患比较有效。石溪大学团队用深度学习算法来绘制肿瘤浸润淋巴细胞（TIL）图谱，让一组卷积神经网络 (CNN) 识别TIL的分布情况，便有可能为癌症诊断和治疗方案的制定提供一些建议。 AI 为癌细胞杀手「染色」，可辅助医生选择治疗方案。从实验结果来看，AI 的「染色」和传统 H&E 的染色区域虽不是完美重合，却也达到了不错的一致性。

解决方案详解：

由石溪大学领衔的研究团队，用深度学习算法来绘制 TIL 图谱，让一组卷积神经网络 (CNN) 识别 TIL 的分布情况，便有可能为癌症诊断和治疗方案的制定提供一些建议。

团队提取了 13 种癌症 4,759 位患者的 5,455 幅数字化病理图像。在训练过程中，一位有经验的病理学家要在图像中标记 TIL 和坏死发生的区域。

这些训练数据会被分成几组，来喂养神经网络，让它学会给肿瘤切片中的 TIL「染色」，代替了传统切片检测中的苏木精-伊红 (H&E) 染色。然后，系统根据 TIL 数量和密度等简单的数据，以及细胞群的属性和图像规律等复杂的细节，在临床数据和基因组数据的辅助之下，将肿瘤进行分类，绘制一幅关系对应图谱。图谱包含了患者生存率、肿瘤亚型、免疫情况等各项指标与 TIL 之间的关系。这样一来，医生便可以根据 TIL 反应的强弱等多种因素，来判断要不要采用基于免疫的治疗方案。