Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Le saut de pression de la recherche sensationnaliste de COVID-19 AI

By Keynote ContributorProf. Hamid TizhooshHead of KIMIA Lab, Faculty of Engineering,
University of Waterloo

Il semble y a une tendance d'employer à la hâte des caractéristiques imparfaites et douteuses pour former une solution d'AI pour COVID-19, une tendance dangereuse qui non seulement n'aide aucun patient ou médecin mais endommage également la réputation de la communauté d'AI. Traiter une pandémie - aussi significative qu'elle est - ne suspend pas des principes scientifiques de base. La caractéristique doit curated par des experts médicaux, et complètement et rigoureuses des validations doivent être exécutées, et des résultats doivent être réexaminés par des pairs avant que nous déployions n'importe quelle solution ou même proposition au monde, en particulier quand la société traite beaucoup d'incertitudes.

Il est sûr de dire que nous sommes tous profondément préoccupés par la pandémie COVID-19. Ce coronavirus a rigoureusement changé notre réalité : tension, restrictions, quarantaines, sacrifices héroïques des travailleurs sociaux comprenant le personnel, infirmières et médecins, ceux aimés de destructions, difficultés économiques, et incertitudes massives au sujet de ce qui est en magasin dans les mois à venir. Dans de telles circonstances, il est seulement naturel que bon nombre d'entre nous pensent aux voies d'aider - des voies les plus rapides possibles. La communauté d'AI n'est pas une exception.

Les méthodes d'apprentissage automatique vivent des caractéristiques. Ils apprennent des caractéristiques marquées à classifier, prévoir et estimer. La qualité et la fiabilité de n'importe quelle méthode d'AI dépendent directement de la qualité et de la fiabilité des caractéristiques marquées. Dans de l'informatique, nous parlons des « déchets dedans, les déchets à l'extérieur » (GIGO) qui récapitulent l'expérience que la caractéristique d'entrée de basse qualité produit de la sortie ou des « déchets » peu fiables. Ceci devient bien plus critique quand nous traitons des modalités de caractéristiques hautement complexes, telles que des images médicales - les caractéristiques qui exigent généralement la connaissance hautement spécialisée pour des évaluations correctes.

Au sein de la communauté d'AI, nous dépendons entièrement des caractéristiques. Tant que le domaine n'est pas sensible (financement, santé, contrôle, etc.), nous assemblons habituellement nos ensembles de données à l'aide de différentes méthodes ; Du rassemblement manuel des échantillons jusqu'aux chenilles hautement sophistiquées à analyser par l'Internet et autre publiquement - dépôts procurables. Dans l'imagerie médicale, nous traitons un domaine extrêmement sensible dans lequel un long procédé est généralement exigé au curé et atteignons un ensemble d'images marquées. Inutile de dire, le curation doit se produire dans les parois d'un hôpital pas simplement parce que les experts sont là, mais également en raison de la De-identification exigée des images pour se conformer aux règlements de secret.

Mais, parfois nous devenons impatients ; nous produisons nos ensembles de données de jouet par la collection manuelle de sources publiquement accessibles (par exemple, tourillons en ligne) - et il n'y a généralement aucune préoccupation au sujet de cette approche. Le plus souvent nous - comme chercheurs d'AI sans la compétence clinique ou médicale - produisons nos ensembles de données de jouet pour faire fonctionner des premières enquêtes et pour obtenir une sensation pour que les défis viennent. Ceci se produit habituellement en prévision de recevoir un ensemble de données professionnellement curated, un procédé qui est souvent ralenti par des révisions et des négociations morales de propriété intellectuelle.  

Pour être clair, un « ensemble de données de jouet » dans le domaine d'imagerie médicale n'est pas un jouet juste parce qu'il est couramment très petit, mais d'une manière primordiale parce qu'il a été produit par des techniciens et des informaticiens, et pas par des médecins et experts médicaux/cliniques. Et, personne ne se plaindrait si nous jouons avec nos jouets à l'intérieur de nos laboratoires d'AI pour obtenir préparés pour traiter les caractéristiques réelles de l'hôpital.

Les radiologues autour du monde sont tout naturellement très occupés, pour le mettre doux ; ce n'est pas la meilleure heure de modifier des collaborations avec des radiologues si vous êtes un chercheur trop ambitieux d'AI qui veut aider. Ainsi, certains d'entre nous ont commencé à assembler notre propre ensemble de données pour obtenir préparés à de futures tâches.

Les collections de rayon X et en partie des images de CT - grattées de l'Internet - semblent apparaître ici et là et sembler évoluer pendant que les créateurs continuent à ajouter des images. À cause de la disponibilité de tels ensembles de données sur un côté et l'ubiquité de la connaissance fondamentale d'AI et d'outils de l'autre côté, beaucoup d'enthousiastes et mises en train d'AI ont impulsivement commencé à développer des solutions pour COVID-19 dans des images de rayon X. On trouve les sites Web et les blogs qui informent comment trouver COVID-19 des échographies de rayon X avec de grande précision. D'autres fournissent une sorte de cours sur trouver COVID-19 dans des images de rayon X. Nous commençons même à voir les papiers non-pair-observés qui vont une opération plus loin et baptisent leur solution avec des noms agrandissants comme le « COVID-Réseau ». Ce type de travaux manque couramment de beaucoup de petits groupes expérimentaux pour expliquer comment on a traité quelques images d'un très petit nombre de patients pour alimenter le réseau profond. De tels papiers n'enregistrent aucune validation, et aucun radiologue n'a guidé les expériences. Plusieurs de ces travaux ont été à la hâte rendus publics avant que les créateurs des ensembles de données pourraient même fournir l'explication suffisante au sujet de leur procédé de ramassage. Afin d'essayer de surmonter la petite taille de caractéristiques, les enthousiastes d'AI et les mises en train mélangent les quelques images COVID-19 à d'autres ensembles de données publics, c.-à-d., ensembles de données de pneumonie. C'est généralement tout à fait intelligent mais j'ai regardé plus attentivement un cas et la difficulté est que les cas de pneumonie étaient des images pédiatriques ; ainsi les COVID-Réseaux comparent la pneumonie pédiatrique (des années d'enfants un à cinq) aux patients COVID-19 adultes. Bien, ceci se produit quand nous excluons des radiologues de la recherche qui a besoin de supervision experte.

Pourquoi nous précipitons-nous pour publier des résultats défectueux d'AI sur des ensembles de données minuscules mélangés aux anatomies incorrectes, sans le support radiologique, et sans la validation ? Voulons-nous aider les patients COVID-19 ?

Peut-être l'abondance d'annonces d'opportunité du financement au cours des derniers jours, et la possibilité d'obtenir l'exposition pour notre recherche est fallacieuse nous dans la conduite défectueuse de recherches ; nous ne pouvons pas abandonner des principes scientifiques principaux dus aux lockdowns et aux quarantaines. L'AI n'est ni un déflecteur ni un vaccin ni une pilule ; il est extrêmement peu probable que les radiologues épuisés dans le téléchargement de Wuhan, de Qom ou de Bergame l'indicatif de python de notre réseau mauvais qualifié (utilisant des caractéristiques insuffisantes et incorrectes et décrit dans le journal et les blogs rapidement écrits) d'obtenir juste une deuxième opinion défectueuse.

Oui, nous tous voulons aider. Attendons les caractéristiques réelles des hôpitaux, faisons le jeu et la De-identification d'éthique, et travaillons avec des radiologues pour développer des solutions pour des éditions de poitrine du contrat à terme. Autrement, nous pouvons produire l'impression que nous faisons la recherche sensationnelle et davantage sommes concernés par l'auto-promotion qu'avec le bien-être des patients. Les radiologues travaillent jour et nuit pour comprendre la manifestation de ce virus dans les images médicales [1,2]. Travaillons avec eux et apprenons de eux à lâcher le potentiel vrai de l'AI pour des viraux infection de combat à l'avenir.

Sources

  1. Découvertes de représentation de CoVID-19 : Plus que juste verre dépoli Opacities, par Henry Guo, DM, PhD. YouTube : https://www.youtube.com/watch?v=Bt9KQ8q6WJE
  2. État de préparation de radiologie pour COVID-19 : Commission scientifique d'expert en matière de radiologie. YouTube : https://www.youtube.com/watch?v=1T98zMYxrKU

.

Au sujet de professeur Hamid R. Tizhoosh

M. Hamid R. Tizhoosh est un professeur dans la faculté du bureau d'études à l'université de Waterloo depuis 2001 où il aboutit le laboratoire de KIMIA (laboratoire pour l'inférence de la connaissance dans l'analyse d'image médicale). Depuis 1993, ses activités de recherche entourent l'artificial intelligence, la visibilité d'ordinateur et l'imagerie médicale. Il a développé des algorithmes pour le filtrage, la segmentation et la recherche d'image médicale. Il est l'auteur de deux livres, 14 chapitres de livre, et des plus de 150 des tourillons et papiers de conférence. M. Tizhoosh a une expérience industrielle considérable et a travaillé avec de nombreuses compagnies. Il est également une société apparentée de corps enseignant l'institut de vecteur, Toronto, au Canada, et un membre de l'institut de Waterloo AI, université de Waterloo, Canada.


Déni de responsabilité : Cet article n'a pas été soumis à l'inspection professionnelle et est présenté comme vues personnelles d'un expert qualifié en matière de sujet selon les conditions générales et la condition d'utilisation du site Web de News-Medical.Net.

Last Updated: May 13, 2020

Comments

The opinions expressed here are the views of the writer and do not necessarily reflect the views and opinions of News Medical.