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：模糊照片分辨率提升技术
解决方案简介：
通常情况下，单图像超级分辨率（SISR）软件会通过增加额外的像素来进行像素级的重建，并在放大的图像上对周围的像素进行平均化处理。不幸的是，结果通常是模糊的。 德国马克斯·普朗克智能系统研究所的研究中，研究人员提出了一种新的方法来处理那些模糊的照片。 尽管结果并不符合原版，但 EnhanceNet-PAT 想象出了一个高分辨率的图像，并相应地为低分辨率图像添加像素。
解决方案详解：
EnhanceNet-PAT 是德国研究人员新的人工驱动的替代方案。通过机器学习，他们的软件追求的是忠实的纹理合成。该算法给出了数以百万计的低分辨率图像，并将其放大。在跟高分辨率的原始照片进行比较之后，该算法能感知差异并从错误中学习。
方案2：大桃自动分拣技术
解决方案简介：
桃农摘下大桃后，还需手工分拣、以将其分类卖出，不仅辛苦，而且效率不高。而该分拣机能完成大桃分拣的全过程，节约人力成本。 北工大的学生们运用百度 PaddlePaddle 深度学习开源平台提供的分类模型，建立大桃品相识别系统，对较贴近市场需求的品相分类。机器在学习 6,400 张图片后，分桃的准确率已达到 90%。而机器的分拣能力能通过后续使用中积累的数据提升。
解决方案详解：
自动分拣机由传送带、推拉装置、电路控制系统和大桃品相识别系统四部分构成。其中，大桃品相识别系统，由学生们利用百度 PaddlePaddle 深度学习平台的能力开发而来。使用者将桃子倒入机器后，利用机械原理，桃子被排成一排，机器自动对每一个桃子拍照并识别品相。之后，助推器完成桃子的自动分类。
方案3：臂丛神经组织自动检测与分割技术
解决方案简介：
赵地团队提出了一种基于深度学习 (Deep Learning, DL) 中卷积神经网络 (Convolutional Neural Network, CNN ) 架构的 SegNet 改进模型，用该模型训练臂丛神经超声图像数据，找出臂丛神经组织特征，进行臂丛神经组织自动检测与分割。Segnet 的优点是分割的精度比较高，可以辅助麻醉手术甚至是远程医疗，缺点是运算量比较大，需要高性能的设备支撑。基于 Segnet 的臂丛神经检测的训练精度可以达到 96%，基本满足临床上对于臂丛神经超声影像分析的需求。
解决方案详解：
为了避免仅使用肉眼对比训练数据的准确度进行模型评估，在模型训练完成后，赵地的团队将测试数据送入模型，然后上传测试结果至 Kaggle 网站对实验结果进行比较和评价，Kaggle 网站使用戴斯系数（Dice coefficient）来评估图像分割结果和原标签数据的相似程度。团队还通过对图像进行前处理，得到边界增强效果，从而进一步提高臂丛神经检测的性能。选择一个好的前处理方式，对于特定检测的目标的隐藏需求是很重要的，从超声图像中分割臂丛神经，更关注对于边界的把握。通过对臂丛神经的图像能够进行了两次边界增强以后，利用 Segnet 进行分割，可以进一步提高检测精度，降低错误率。超声机的运算能力有限。当超声扫查面在接近臂丛标准面时，概率图比较接近真实情况。由于数据集不够大、检测体位的变化，导致超声机实际操作过程中出现了假阳性诊断过多的现象。赵地表示，在实际真机上要有好的处理效果，还需要增加预处理，以确保灰阶分布与训练数据比较接近。现在超声都是连续的，身体项目的考核指标需要实时更新，如何在检测模型的精度和速度上达到比较理想的效果，还需要进一步的研究。
方案4：应用区块链技术的物流方案
解决方案简介：
京东物流则为国内首个加入全球区块链货运联盟（Blockchain in Transport Alliance，简称 BiTA）联盟的物流企业，报道称，联盟快递已经开始测试使用区块链技术，希望借此解决储存数据的争端，建立永久分类帐数据或许是缓解物流商和收件客户之间纠纷的最佳解决方案。 成立于 2016 年 11 月的京东 Y 事业部，在 2017 年 7 月发布了区块链防伪追溯开放平台，现阶段面向京东生态内的品牌商免费开放。据称已初步完成超过 100 个品牌、300 个热销商品的防伪追溯数据区块链接入。
解决方案详解：
区块链平台允许客户在交易过程中更有效地追踪包裹。区块链技术还可以用来大规模地存储物流信息，物流系统每天有数百万条记录信息，区块链技术可以改变物流业的安全保管链，能够以非常安全的方式简化所有数据交换。京东物流联合中国出入境检验检疫协会等行业权威机构，沃尔玛、达能、莎莎、ebay 精选等 20 大全球知名品牌商以及德迅、亚致力等国际货运服务商等合作伙伴成立跨境溯源联盟。以区块链和大数据为技术支撑，以全球性的品牌商和零售商、国际运输服务提供商为主要支撑，整合提货、运输、仓储、清关和配送服务，打通了保税备货和跨境直邮两种形式的跨境电商供应链信息，形成跨境物流领域的全链条服务。
方案5：出院用药预测模型
解决方案简介：
大量研究表明多重药物的联合治疗对疾病的进展，预后及死亡事件的发生都有一定的影响。如何自动发现和利用药物之间的这种相关性，对于更准确的多药物预测是至关重要的，同样非常有价值，可以帮助医生提出新的用药方案，减少联合用药风险。
团队使用深度学习技术来协助医生根据病人就诊记录中的健康信息来预测其出院用药。该卷积神经网络模型可以从非结构化和有噪声的文本中提取语义表征，并能自动学习不同药物之间的药理相关性。
在 2.5 万份病人就诊记录上对该模型进行了评估，并与 4 种基准模型进行了比较。在宏平均 F1 分数上，该方法相对于最好的基准模型有 20% 的提升。 团队在研发过程中克服了此前在利用深度学习方法在入院就诊时间对出院药物进行预测的过程中存在的两方面的困难。
1. 可用的就诊信息大多数都是非结构化的病历记录（称为入院记录），比如既往病史、家族史、过敏等情况。与实验室检测数据和体征数据等结构化信息相比，这些文本更难被机器处理和理解。此外，这些记录还可能包含同义词、缩写和拼写错误。在非结构化且有噪声的文本中有效提取语义模式是需要解决的难题；
2. 在临床上，为了快速并有效的治愈疾病，常常会使用两种或两种以上的药物，许多联合用药的方案在临床治疗指南或专家共识中被广泛认可。
解决方案详解：
研究人员根据收集到的重症监护病房（ICU）病人的电子健康记录进行了回顾性研究（retrospective study），根据就诊记录构建了一个预测出院用药的深度学习模型，对比了该模型和其他四个基准模型所预测的药物与医生给出的药物的区别，从而评估了模型的性能。
该研究使用了 MIMIC-III 数据集并且重点关注了其中出现的 8 种抗高血压药：美托洛尔（metoprolol）、呋塞米（furosemide）、赖诺普利（lisinopril）、氨氯地平（amlodipine）、阿替洛尔（atenolol）、氢氯噻嗪（hydrochlorothiazide）、地尔硫卓（diltiazem）、卡维地洛（carvedilol）。
选药出于下述考虑：
1. 药物通常用于治疗高血压，广泛地发生在MIMIC-III 数据集中；
2. 药物效果难预测，这些药物的处方、用法差异大，共同使用时联系较不明确。 为了评估模型的表现，研究者测量了测试集上的分类（药物）的精确度，召回率和 F1 分数，由于药物类别的频率是高度偏离的，故所有药物分类的这些分数的微平均和宏平均同样被纳入评估指标。
在模型设计方面，该基于卷积神经网络（CNN）的模型：
1. 使用了多个堆叠的隐藏单元层来获取输入记录的隐含语义；
2. 使用了不同窗口大小的卷积算子来获取 n-gram 中存在的局部语义和序列结构；
3. 可发现常见的隐含因子，从而学习得到药物之间的药理相关性。