Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

L'impulso di ricerca del sensazionalista COVID-19 AI

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

C'sembra essere una tendenza ad usare frettolosamente i dati imperfetti e discutibili per preparare una soluzione di AI per COVID-19, una tendenza pericolosa che non solo non aiuta alcun paziente o medico ma egualmente danneggia la reputazione della comunità di AI. Occupandosi di una pandemia - significativa come è - non sospende i principi scientifici fondamentali. I dati devono essere curated dai medici specialisti e le completo e convalide rigorose devono essere realizzate ed i risultati devono essere esaminati dai pari prima che spieghiamo tutta la soluzione o persino proposta nel mondo, specialmente quando la società sta occupandosi di molte incertezze.

È sicuro dire che siamo tutti profondamente responsabili circa la pandemia COVID-19. Questo coronavirus drasticamente ha cambiato la nostra realtà: sforzo, restrizioni, quarantene, sacrifici eroici dei badante compreso il personale, infermieri e medici, cari perdenti, difficoltà economiche ed incertezze massicce circa che cosa è in magazzino nei prossimi mesi. In tali circostanze, è soltanto naturale che molti di noi stanno pensando ai modi aiutare - nei modi più veloci possibili. La comunità di AI non fa un'eccezione.

I metodi di apprendimento automatico vivono dai dati. Imparano dai dati contrassegnati classificare, predire e stimare. La qualità e l'affidabilità di tutto il metodo di AI direttamente dipendono dalla qualità e dall'affidabilità dei dati contrassegnati. In informatica, parliamo “dell'immondizia dentro, immondizia fuori„ (GIGO) che riassume l'esperienza che i dati di input di bassa qualità generano l'output o “l'immondizia„ inaffidabile. Ciò diventa ancor più critica quando stiamo occupando delle modalità di dati altamente complessi, quali le immagini mediche - dati che richiedono generalmente la conoscenza altamente specializzata per le interpretazioni corrette.

All'interno della comunità di AI, dipendiamo completamente dai dati. Finchè il dominio non è sensibile (finanze, sanità, sorveglianza, ecc.), montiamo solitamente i nostri gruppi di dati usando i metodi differenti; Dalla riunione manuale dei campioni fino ai cingoli altamente specializzati da analizzare pubblicamente con Internet ed altro - repository disponibili. Nell'imaging biomedico, ci occupiamo di un dominio altamente sensibile in cui un trattamento lungo è richiesto generalmente al vicario ed accediamo ad un insieme delle immagini contrassegnate. Inutile per dire, il curation deve accadere all'interno delle pareti di un ospedale non solo perché che gli esperti sono là, ma anche dovuto l'de-identificazione richiesta delle immagini aderire ai regolamenti della segretezza.

Ma, a volte otteniamo impazienti; criamo i nostri gruppi di dati del giocattolo dalla raccolta manuale delle sorgenti accessibili al pubblico (per esempio, pubblicazioni online) - e non c'è generalmente preoccupazione circa questo approccio. Per lo più - come ricercatori di AI senza competenza clinica o medica - criamo i nostri gruppi di dati del giocattolo per eseguire le indagini iniziali e per convincere una sensibilità affinchè le sfide veniamo. Ciò accade solitamente in attesa della ricezione del gruppo di dati professionale curated, un trattamento che è rallentato spesso dagli esami e dai negoziati etici della proprietà intellettuale.  

Per essere chiaro, “un gruppo di dati del giocattolo„ nel dominio di imaging biomedico non è un giocattolo solo perché che sia comunemente più d'importanza molto piccolo, ma perché è stato creato dagli ingegneri e dagli informatici e non dai medici ed esperti medici/clinici. E, nessuno protesterebbe se giochiamo con i nostri giocattoli dentro i nostri laboratori di AI per ottenere pronti occuparci dei dati reali dall'ospedale.

I radiologi intorno al mondo sono naturalmente molto occupati, metterlo leggermente; non è il migliore momento di fucinare le collaborazioni con i radiologi se siete un ricercatore ambiziosissimo di AI che vuole aiutare. Così, alcuni di noi hanno cominciato montare il nostro proprio gruppo di dati per ottenere pronti per le mansioni future.

Le collezioni di raggi x ed immagini di CT - raschiate da Internet - sembrano parzialmente emergere qua e là e sembrare evolversi mentre i creatori continuano ad aggiungere le immagini. A causa della disponibilità di tali gruppi di dati su un lato e sull'ubiquità di conoscenza di base di AI e degli strumenti dall'altro lato, molti entusiasti e le partenze di AI impulsivo hanno cominciato a trovare le soluzioni per COVID-19 nelle immagini dei raggi x. Si trova i siti Web ed i blog che consigliano come individuare COVID-19 dalle scansioni dei raggi x con alta precisione. Altri forniscono una specie di esercitazione sulla rilevazione del COVID-19 nelle immagini dei raggi x. Anche stiamo cominciando vedere i documenti non pari esaminati che vanno un punto più avanti e batezzano la loro soluzione con i nomi ingrandicentesi come “COVID-Netto„. Questo tipo di impianti manca comunemente di molti dettagli sperimentali per spiegare come uno si è occupato di alcune immagini da un numero molto piccolo di pazienti per alimentare la rete profonda. Tali documenti non riferiscono convalida e nessun radiologo ha guidato gli esperimenti. Molti di questi impianti in fretta sono stati resi pubblici prima che i creatori dei gruppi di dati potrebbero anche fornire la spiegazione sufficiente circa il loro trattamento della raccolta. Nel tentativo di sormontare la piccola dimensione di dati, gli entusiasti di AI e le partenze mescolano le poche immagini COVID-19 con altri gruppi di dati pubblici, cioè, gruppi di dati di polmonite. Ciò è generalmente abbastanza abile ma ho esaminato più molto attentamente un caso e la difficoltà è che i casi di polmonite erano immagini pediatriche; così i COVID-Netti stanno paragonando la polmonite pediatrica (anni dei bambini uno - cinque) ai pazienti adulti COVID-19. Bene, questo accade quando escludiamo i radiologi dalla ricerca che ha bisogno della svista esperta.

Perché stiamo precipitando per pubblicare i risultati difettosi di AI sui gruppi di dati minuscoli misti con le anatomie sbagliate, senza protezione radiologica e senza la convalida? Vogliamo aiutare i pazienti COVID-19?

Forse l'abbondanza di annunci di opportunità di finanziamento negli ultimi giorni e la possibilità di ottenere l'esposizione per la nostra ricerca è ingannevoli noi in comportamento difettoso della ricerca; non possiamo abbandonare i principi scientifici fondamentali dovuto i lockdowns e le quarantene. Il AI è nè un ventilatore nè un vaccino né una pillola; è estremamente improbabile che i radiologi esauriti nel download di Wuhan, di Qom o di Bergamo il codice del pitone della nostra rete male preparata (facendo uso dei dati insufficienti ed impropri e descritto in documenti ed in blog rapidamente scritti) ottenere appena una seconda opinione difettosa.

Sì, tutti vogliamo aiutare. Aspettiamo i dati reali dagli ospedali, facciamo lo spazio e l'de-identificazione dell'etica e lavoriamo con i radiologi per trovare le soluzioni per le emissioni del torace del futuro. Altrimenti, possiamo creare l'impressione che stiamo effettuando la ricerca sensazionale e di più ci preoccupiamo della auto-promozione che con il benessere dei pazienti. I radiologi sono giorno lavorativo e notte per capire la manifestazione di questo virus nelle immagini mediche [1,2]. Lavoriamo con loro ed impariamo da loro liberare il potenziale vero di AI per il combattimento delle infezioni virali in futuro.

Sorgenti

  1. Risultati di rappresentazione di CoVID-19: Più appena vetro smerigliato Opacities, da Henry Guo, MD, PhD. YouTube: https://www.youtube.com/watch?v=Bt9KQ8q6WJE
  2. Preparazione di radiologia per COVID-19: Commissione di Revisione esperta scientifica di radiologia. YouTube: https://www.youtube.com/watch?v=1T98zMYxrKU

.

Circa il professor Hamid R. Tizhoosh

Il Dott. Hamid R. Tizhoosh è un professore nella facoltà di assistenza tecnica all'università di Waterloo dal 2001 in cui piombo il laboratorio di KIMIA (laboratorio per l'illazione di conoscenza nell'analisi sulla base di immagini medica). Dal 1993, le sue attività di ricerca comprendono l'intelligenza artificiale, il dispositivo ottico del computer e l'imaging biomedico. Ha sviluppato gli algoritmi per la filtrazione, la segmentazione e la ricerca mediche di immagine. È l'autore di due libri, 14 capitoli del libro e più di 150 giornale ed atti del congresso. Il Dott. Tizhoosh ha estesa esperienza industriale ed ha lavorato con le numerose società. È egualmente una filiale della facoltà l'istituto di vettore, Toronto, nel Canada e un membro dell'istituto di Waterloo AI, università di Waterloo, Canada.


Dichiarazione: Questo articolo non è stato sottoposto a revisione tra pari ed è presentato come i punti di vista personali di un esperto qualificato nell'oggetto conformemente ai termini e condizioni generali generali di uso del sito Web di 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.