Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O impulso da pesquisa do sensacionalista COVID-19 AI

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

Parece haver uma tendência usar a toda pressa os dados imperfeitos e duvidosos para treinar uma solução do AI para COVID-19, uma tendência perigosa que não somente não ajude nenhum paciente ou médico mas igualmente danifica a reputação da comunidade do AI. Tratar uma pandemia - tão significativa como é - não suspende princípios científicos básicos. Os dados têm que ser curated por médicos especialistas, e as completamente e validações rigorosas têm que ser executadas, e os resultados têm que ser revistos por pares antes que nós distribuamos toda a solução ou mesmo proposta no mundo, particularmente quando a sociedade está tratando muitas incertezas.

É seguro dizer que nós somos todos referidos profundamente sobre a pandemia COVID-19. Este coronavirus mudou dràstica nossa realidade: esforço, limitações, quarentena, sacrifícios heróicos dos cuidadors que incluem o pessoal, enfermeiras e médicos, amados os perdas, dificuldades econômicas, e incertezas maciças sobre o que está na loja nos meses de vinda. Em tais circunstâncias, é somente natural que muitos de nós estão pensando das maneiras de ajudar - nas maneiras as mais rápidas possíveis. A comunidade do AI não é uma exceção.

Os métodos da aprendizagem de máquina vivem dos dados. Aprendem dos dados etiquetados classificar, prever e calcular. A qualidade e a confiança de todo o método do AI dependem directamente da qualidade e da confiança dos dados etiquetados. Na informática, nós falamos sobre o “lixo dentro, o lixo para fora” (GIGO) que resume a experiência que os dados de entrada da baixo-qualidade geram a saída ou o “lixo incerto”. Isto torna-se ainda mais crítico quando nós estamos tratando as modalidades dos dados altamente complexos, tais como imagens médicas - os dados que exigem geralmente o conhecimento altamente especializado para interpretações correctas.

Dentro da comunidade do AI, nós somos inteiramente dependentes dos dados. Enquanto o domínio não é sensível (finança, cuidados médicos, fiscalização, etc.), nós montamos geralmente nossos conjunto de dados usando métodos diferentes; Do recolhimento manual das amostras até as esteiras rolantes altamente sofisticadas a analisar gramaticalmente publicamente com o Internet e outro - repositórios disponíveis. Na imagem lactente médica, nós tratamos um domínio altamente sensível em que um processo longo é exigido geralmente à cura e alcançamos um grupo de imagens etiquetadas. Supérfluo para dizer, o curation tem que acontecer dentro das paredes de um hospital não apenas porque os peritos estão lá, mas também devido à de-identificação exigida das imagens seguir com os regulamentos da privacidade.

Mas, às vezes nós obtemos impacientes; nós criamos nossos conjunto de dados do brinquedo pela coleção manual de fontes publicamente acessíveis (por exemplo, jornais em linha) - e não há geralmente nenhum interesse sobre esta aproximação. Na maioria das vezes nós - como pesquisadores do AI sem a competência clínica ou médica - criamos nossos conjunto de dados do brinquedo para executar investigações iniciais e para conseguir um sentimento para que os desafios venham. Isto acontece geralmente em antecipação a receber um conjunto de dados profissional curated, um processo que seja retardado frequentemente por revisões éticas e por negociações da propriedade intelectual.  

Para ser claro, do “um conjunto de dados brinquedo” no domínio da imagem lactente médica não é um brinquedo apenas porque é geralmente muito pequeno, mas mais importante porque foi criado por coordenadores e por cientistas de computador, e não por médicos e peritos médicos/clínicos. E, ninguém queixar-se-ia se nós jogamos com nossos brinquedos dentro de nossos laboratórios do AI para obter preparados para tratar os dados reais do hospital.

Os radiologistas são em todo o mundo compreensìvel muito ocupados, pô-lo suavemente; não é o melhor momento de forjar colaborações com radiologistas se você é um pesquisador overambitious do AI que queira ajudar. Assim, alguns de nós começaram montar nosso próprio conjunto de dados para obter preparados para as tarefas futuras.

As coleções do raio X e em parte as imagens do CT - raspadas do Internet - parecem emergir aqui e ali e parecer evoluir enquanto os criadores continuam a adicionar imagens. Devido à disponibilidade de tais conjunto de dados em um lado e na ubiquidade do conhecimento básico do AI e de ferramentas no outro lado, muitos entusiastas e as partidas do AI começaram impulsiva a desenvolver soluções para COVID-19 em imagens do raio X. Se encontra que os Web site e os blogues que recomendam como detectar COVID-19 do raio X fazem a varredura com precisão alta. Outro fornecem meio um curso em detectar COVID-19 em imagens do raio X. Nós estamos começando mesmo ver os papéis não-par-revistos que vão uma etapa mais e baptizam sua solução com nomes engrandecendo como a “COVID-Rede”. Este tipo de trabalhos falta geralmente muitos detalhes experimentais para explicar como um tratou algumas imagens de um número muito pequeno de pacientes para alimentar a rede profunda. Tais papéis não relatam nenhuma validação, e nenhum radiologista guiou as experiências. Muitos destes trabalhos foram feitos apressadamente públicos antes que os criadores dos conjunto de dados poderiam mesmo fornecer a suficiente explicação sobre seu processo da coleção. Na tentativa de superar o tamanho pequeno dos dados, os entusiastas do AI e as partidas misturam poucas imagens COVID-19 com outros conjunto de dados públicos, isto é, conjunto de dados da pneumonia. Isto é geralmente bastante inteligente mas eu olhei mais pròxima em um caso e o problema é que os exemplos da pneumonia eram imagens pediatras; assim as COVID-Redes estão comparando a pneumonia pediatra (crianças um a cinco anos velhas) com os pacientes COVID-19 adultos. Bem, isto acontece quando nós excluímos radiologistas da pesquisa que precisa o descuido perito.

Por que nós nos estamos apressando para publicar resultados defeituosos do AI nos conjunto de dados minúsculos misturados com as anatomias erradas, sem o revestimento protector radiológico, e sem a validação? Nós queremos ajudar os pacientes COVID-19?

Talvez a abundância de anúncios da oportunidade do financiamento nos últimos dias, e a possibilidade de obter a exposição para nossa pesquisa são enganadoras nós na conduta defeituosa da pesquisa; nós não podemos abandonar os princípios científicos fundamentais devido aos lockdowns e às quarentena. O AI é nem um ventilador nem uma vacina nem um comprimido; é extremamente pouco susceptível de que os radiologistas esgotados na transferência de Wuhan, de Qom ou de Bergamo o código do pitão de nossa rede deficientemente treinada (usando insuficientes e dados impróprios e descrito em papéis e em blogues rapidamente escritos) obter apenas uma segunda opinião defeituoso.

Sim, nós todos queremos ajudar. Deixe-nos esperar dados reais dos hospitais, deixe-nos fazer o afastamento e a de-identificação das éticas, e deixe-nos trabalhar com radiologistas para desenvolver soluções para introduções da caixa do futuro. Se não, nós podemos criar a impressão que nós estamos fazendo a pesquisa sensacional e estamos estados relacionados mais com a auto-promoção do que com o bem estar dos pacientes. Os radiologistas estão trabalhando dia e noite para compreender a manifestação deste vírus nas imagens médicas [1,2]. Deixe-nos trabalhar com eles e aprender deles desencadear o potencial verdadeiro do AI para combater infecções virais no futuro.

Fontes

  1. Resultados da imagem lactente de CoVID-19: Mais do que apenas vidro à terra Opacities, por Henry Guo, DM, PhD. YouTube: https://www.youtube.com/watch?v=Bt9KQ8q6WJE
  2. Prontidão da radiologia para COVID-19: Painel de revisão perito científico da radiologia. YouTube: https://www.youtube.com/watch?v=1T98zMYxrKU

.

Sobre o professor Hamid R. Tizhoosh

O Dr. Hamid R. Tizhoosh é um professor na faculdade da engenharia na universidade de Waterloo desde 2001 onde conduz o laboratório de KIMIA (laboratório para a inferência do conhecimento na análise de imagem médica). Desde 1993, suas actividades de pesquisa abrangem a inteligência artificial, a visão de computador e a imagem lactente médica. Desenvolveu algoritmos para a filtração, a segmentação e a busca médicas da imagem. É o autor de dois livros, 14 capítulos do livro, e mais de 150 jornais e papéis da conferência. O Dr. Tizhoosh tem a experiência industrial extensiva e trabalhou com empresas numerosas. É igualmente uma filial da faculdade ao instituto do vector, a Toronto, a Canadá, e a um membro do instituto de Waterloo AI, universidade de Waterloo, Canadá.


Negação: Este artigo não foi sujeitado à revisão paritária e é apresentado como as opiniões pessoais um perito qualificado no assunto de acordo com os termos e condições gerais do uso do Web site 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.