Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

La onda irruptiva de la investigación del sensacionalista COVID-19 AI

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

Parece haber una tendencia de forma precipitada de utilizar los datos imperfectos y cuestionables para entrenar a una solución del AI para COVID-19, una tendencia peligrosa que no sólo no ayude a ningún paciente o médico pero también daña la reputación de la comunidad del AI. El ocuparse de un pandémico - tan importante como es - no suspende principios científicos básicos. Los datos tienen que curated por los médicos especialistas, y las completo y rigurosas validaciones tienen que ser realizadas, y los resultados tienen que ser revisados por los pares antes de que despleguemos cualquier solución u oferta en el mundo, determinado cuando la sociedad se está ocupando de muchas incertidumbres.

Es seguro decir que somos todos referidos profundamente sobre el pandémico COVID-19. Este coronavirus ha cambiado drástico nuestra realidad: tensión, restricciones, cuarentenas, sacrificios heroicos de cuidadores incluyendo el estado mayor, enfermeras y médicos, amados el perder, dificultades económicas, e incertidumbres masivas sobre cuál está en almacén en los meses que vienen. En tales circunstancias, es solamente natural que muchos de nosotros están pensando en maneras de ayudar - de las maneras más rápidas posibles. La comunidad del AI no es una anomalía.

Los métodos del aprendizaje de máquina viven de datos. Aprenden de datos etiqueta clasificar, predecir y estimar. La calidad y la confiabilidad de cualquier método del AI dependen directamente de la calidad y de la confiabilidad de los datos etiqueta. En de informática, hablamos de la “basura hacia adentro, la basura fuera” (GIGO) que resume la experiencia que los datos de entrada de baja calidad generan rendimiento o la “basura no fiable”. Esto llega a ser aún más crítico cuando nos estamos ocupando de modalidades de los datos altamente complejos, tales como imágenes médicas - los datos que requieren generalmente el conocimiento sumamente especializado para las interpretaciones correctas.

Dentro de la comunidad del AI, somos completo relacionados en datos. Mientras el dominio no sea sensible (las finanzas, atención sanitaria, vigilancia, etc.), montamos generalmente nuestros grupos de datos usando métodos diferentes; De la reunión manual de muestras hasta los vehículos de orugas altamente sofisticados a analizar con el Internet y otro público - depósitos disponibles. En proyección de imagen médica, nos ocupamos de un dominio altamente sensible en el cual un proceso largo se requiera generalmente al coadjutor y llegamos hasta un equipo de imágenes etiqueta. Innecesario decir, el curation tiene que suceso dentro de las paredes de un hospital no apenas porque los expertos están allí, pero también debido a la de-identificación requerida de imágenes cumplir con reglas de la aislamiento.

Pero, conseguimos a veces impacientes; creamos nuestros grupos de datos del juguete por la colección manual de fuentes público accesibles (e.g., gorrones en línea) - y no hay generalmente preocupación por esta aproximación. La mayor parte del tiempo - como investigadores del AI sin capacidad clínica o médica - creamos nuestros grupos de datos del juguete para ejecutar investigaciones iniciales y para conseguir una sensación para que los retos vengan. Esto suceso generalmente antes de la recepción de un grupo de datos profesionalmente curated, un proceso que sea retrasado a menudo por revistas éticas y negociaciones de la propiedad intelectual.  

Para estar sin obstrucción, un “grupo de datos del juguete” en el dominio de la proyección de imagen médica no es un juguete apenas porque es común muy pequeño, pero más importantemente porque ha sido creado por los ingenieros y los informáticos, y no por los médicos y los expertos médicos/clínicos. Y, nadie se quejaría de si jugamos con nuestros juguetes dentro de nuestros laboratorios del AI para conseguir preparados para ocuparse de los datos reales del hospital.

Los radiólogos en todo el mundo están comprensible muy ocupados, ponerlo suavemente; no es la mejor época de forjar colaboraciones con los radiólogos si usted es un investigador demasiado ambicioso del AI que quiere ayudar. Así pues, algunos de nosotros han comenzado a montar nuestro propio grupo de datos para conseguir preparados para las tareas futuras.

Las colecciones de radiografía y las imágenes del CT - escariadas del Internet - parecen en parte emerger aquí y allá y aparecer desarrollarse a medida que los creador continúan agregar imágenes. Debido a la disponibilidad de tales grupos de datos en un lado y la ubicuidad del conocimiento básico del AI y de las herramientas en el otro lado, muchos entusiastas y los lanzamientos del AI impulsivo han comenzado a desarrollar las soluciones para COVID-19 en imágenes de la radiografía. Uno encuentra que los Web site y los blogs que aconsejan cómo descubrir COVID-19 de la radiografía exploran con alta exactitud. Otros ofrecen una clase de guía en descubrir COVID-19 en imágenes de la radiografía. Incluso estamos comenzando a ver los papeles no-par-revisados que van un paso más lejos y bautizan su solución con nombres que engrandecen como “COVID-Red”. Este tipo de trabajos falta común a muchos detalles experimentales para explicar cómo uno se ha ocupado de algunas imágenes de un pequeño número de pacientes para introducir la red profunda. Tales papeles no denuncian ninguna validación, y ningún radiólogo ha conducido los experimentos. Muchos de estos trabajos apresuradamente fueron hechos públicos antes de que los creador de grupos de datos podrían incluso ofrecer la suficiente explicación sobre su proceso de la colección. En un intento por vencer la pequeña talla de los datos, los entusiastas del AI y los lanzamientos mezclan las pocas imágenes COVID-19 con otros grupos de datos públicos, es decir, grupos de datos de la pulmonía. Esto es generalmente muy listo pero miraba más de cerca un caso y el problema es que los casos de la pulmonía eran imágenes pediátricas; las COVID-Redes están comparando tan la pulmonía pediátrica (los años de los niños uno a cinco) con los pacientes adultos COVID-19. Bien, esto suceso cuando excluimos a radiólogos de la investigación que necesita el descuido experto.

¿Por qué estamos acometiendo para publicar resultados defectuosos del AI en los grupos de datos minúsculos mezclados con anatomías incorrectas, sin el respaldo radiológico, y sin la validación? ¿Queremos ayudar a los pacientes COVID-19?

Quizás la abundancia de avisos de la oportunidad del financiamiento en los últimos días, y la posibilidad de conseguir la exposición para nuestra investigación es engañosas nosotros en conducta defectuosa de la investigación; no podemos abandonar los principios científicos fundamentales debido a los lockdowns y a las cuarentenas. El AI es ni un ventilador ni una vacuna ni una píldora; es extremadamente poco probable que los radiólogos agotados en la transferencia directa de Wuhan, de Qom o de Bérgamo la clave del pitón de nuestra red mal entrenada (usando datos escasos e incorrectos y descrito en papeles y blogs rápidamente escritos) apenas obtener una segunda opinión dañada.

Sí, todos queremos ayudar. Esperemos datos reales de hospitales, hagamos la tolerancia y la de-identificación de los éticas, y trabajemos con los radiólogos para desarrollar las soluciones para las aplicaciones del pecho el futuro. Si no, podemos crear la impresión que estamos haciendo la investigación sensacional y estamos tratados más a la uno mismo-promoción que con el bienestar de pacientes. Los radiólogos están trabajando día y noche para entender la manifestación de este virus en las imágenes médicas [1,2]. Trabajemos con ellos y aprendamos de ellos soltar el potencial verdadero del AI para combate infecciones virales en el futuro.

Fuentes

  1. Conclusión de la proyección de imagen de CoVID-19: Más que apenas cristal de tierra Opacities, por Henry Guo, Doctor en Medicina, doctorado. YouTube: https://www.youtube.com/watch?v=Bt9KQ8q6WJE
  2. Estado de preparación de la radiología para COVID-19: Panel de revista experto científico de la radiología. YouTube: https://www.youtube.com/watch?v=1T98zMYxrKU

.

Sobre profesor Hamid R. Tizhoosh

El Dr. Hamid R. Tizhoosh es profesor en la facultad de ingeniería en la universidad de Waterloo desde 2001 en donde él lleva el laboratorio de KIMIA (laboratorio para la inferencia del conocimiento en análisis de imagen médico). Desde 1993, sus actividades de investigación abarcan la inteligencia artificial, la visión de computador y la proyección de imagen médica. Él ha desarrollado los algoritmos para la filtración, la segmentación y la búsqueda médicas de la imagen. Él es el autor de dos libros, 14 capítulos del libro, y más de 150 los gorrones y papeles de la conferencia. El Dr. Tizhoosh tiene experiencia industrial extensa y ha trabajado con las compañías numerosas. Él es también un afiliado de la facultad al instituto del vector, a Toronto, a Canadá, y a una pieza del instituto de Waterloo AI, universidad de Waterloo, Canadá.


Negación: Este artículo no se ha sujetado a la revisión paritaria y se presenta como las opiniones personales un experto calificado en el tema de acuerdo con las condiciones generales del uso del 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.