基于海量的医学影像数据,通过合理的系统设计和参数优化,人工智能辅助诊断系统可以协助医生完成更多的临床决策,降低他们的日常工作压力,减少不必要的侵入式检测,从而能够提升病患的生活质量。更进一步地,人工智能辅助诊断系统能够对恶性肿瘤进行准确的分期,有利于医生给病患做出更合理的治疗规划并实施,从而提升病患的存活率和生存时间。另外,综合回顾性的癌症病例分析,人工智能辅助诊断系统还能够对病患的生存期进行大致预测,用于评估当前的个体化治疗方案,有利于充分发挥有限的医疗卫生资源。在人工智能研究领域,深度学习全面革新了影像重表达和机器学习方式,极大地提升了医学影像的目标识别的准确率。本文在机器学习和特征工程的基础上,增加了深度学习以及迁移卷积神经网络的研究,具体内容包括:1.基于迁移的深层卷积神经网络的肿瘤诊断。深层卷积神经网络具有强大的特征抽象能力,在计算机视觉领域取得了卓越的分类效果,但是它要求有海量的数据样本用于超参数优化,而获取大样本且高质量的医学影像数据非常困难。为提升小样本肿瘤数据的分类性能,我们基于自然影像训练后的深层卷积神经网络模型,采用少量医学样本进行参数优化,并将微调后的深度学习模型进行实验验证。结果表明,迁移的深层卷积神经网络模型能够提升肿瘤诊断的性能,但是大量的待优化参数导致深层卷积神经网络模型的迁移需要花费大量的时间和计算资源。2.基于特征优化选择的肿瘤诊断。采用海量特征来描述可疑病变区域,可以全方位多层次的量化该区域的一些属性,从而提升人工智能辅助诊断系统的预测精度,但是也会导致过拟合。少量特征输入是人工智能辅助诊断系统泛化能力的表现。为降低特征维度,秩和检验被用于特征的显著性排序。基于嵌入式特征选择和可重复性高的分类器,实验发现,人工神经网络和少量的有显著差异的特征能够大幅度提升肿瘤的诊断结果。另外,训练样本数目的增加能够提升人工智能辅助诊断系统的性能。3.基于支持向量机和纹理分析的恶性肿瘤的亚型区分。本章结合不同的纹理特征(灰度共生矩阵、灰度游程矩阵、灰度区大小矩阵和多灰度区大小矩阵)和支持向量机来对两种肿瘤亚型病例进行诊断。实验发现,纹理特征分析能够一定程度上辅助医生的临床决策,但是分类的准确度仍有进一步提升的空间。充分利用医学影像数据,发挥人工智能技术在医学领域的潜力,不仅能够辅助医生的临床决策,为病患提供更准确的治疗方案,从而提升癌症病人的生存质量,延长生存期,而且还能够最优化当前的医疗卫生资源,促进形成和谐的病患关系,最终推动国家医疗卫生事业的大力发展。