Kunstmatige intelligentie en Machine die in Medische Weergave leren

insights from industryDr. Hamid R. TizhooshProfessor Faculty of EngineeringUniversity of WaterlooAn interview with Professor Hamid Tizhoosh, conducted by James Ives

Gelieve te geven een overzicht van het afgelopen onderzoek naar machine het leren en kunstmatige intelligentie in medische weergave. Wat zijn wij momenteel bekwaam om met dit onderzoek te doen?

De twee belangrijkste taken in medische weergave die natuurlijk schijnen worden voorbestemd om met AI algoritmen worden opgelost zijn segmentatie en classificatie. De meesten van technieken in medische weergave worden gebruikt waren conventionele beeldverwerking, of formuleerden wijder de algoritmen dat van de computervisie.

Men kan vele werken met kunstmatige neurale netwerken vinden, de backbone van diep het leren. Nochtans, werden de meeste werken geconcentreerd op conventionele computervisie die zich, concentreerde en nog, op „handcrafted“ eigenschappen, technieken die de resultaten van handontwerp waren nuttig en onderscheidend informatie uit medische beelden te halen.

Wat vooruitgang was zichtbaar in de recente jaren '90 en vroege 2000s (bijvoorbeeld, de SIFT methode in 1999, of visuele woordenboeken in vroege 2000s) maar er waren geen doorbraken. Nochtans, waren de technieken zoals zich het groeperen en classificatie in gebruik met gematigd succes.

De k-middelen (een oude het groeperen zich methode), de steun vectormachines (SVM), probabilistic regelingen, en de besluitenbomen en hun uitgebreide versie` willekeurige bossen' waren onder succesvolle benaderingen.  Maar de kunstmatige neurale netwerken bleven van verwachtingen niet alleen in medische weergave, maar in computervisie te kort schieten in het algemeen.

De ondiepe netwerken die (uit een paar lagen kunstmatige neuronen bestaan) konden geen moeilijke problemen oplossen en de diepe netwerken die (uit vele lagen kunstmatige neuronen bestaan) konden niet worden opgeleid omdat zij te groot waren. Door medio 2000s was er theoretische vooruitgang op dit gebied met de eerste belangrijkste succesverhalen in vroege 2010s op grote datasets zoals ImageNet.

Nu plotseling, was het mogelijk om katten en auto's in een beeld te erkennen, gezichtserkenning uit te voeren en automatisch beelden met een titel te etiketteren beschrijvend zijn inhoud. De onderzoeken van toepassingen van deze krachtige AI methodes in medische weergave is in het verleden de 3-4 jaar begonnen en in zijn kleutertijd geweest maar de veelbelovende resultaten zijn daar gemeld hier en.  

Welke toepassingen zijn er voor machine het leren en kunstmatige intelligentie in medische weergave?

Gebaseerd op recente publicaties, schijnt het dat de nadruk van vele onderzoekers bij de diagnose, hoofdzakelijk kankerdiagnose, waar de output van de AI software vaak een „ja/nee“ besluit voor kwaadaardig/goedaardig is, respectievelijk is.

De andere stroom werkt bij het segmenteren van (het merken) specifieke delen van de beelden, opnieuw met de belangrijkste aandacht van vele werken die bij de kankerdiagnose en analyse, maar ook voor behandeling planning en controle zijn.

Nochtans, zijn er veel meer die AI aan medische weergave kan aanbieden. Bekijkend zijn potentieel voor radiogenomics, zijn auto-captioning van medische beelden, de erkenning van hoogst niet-lineaire patronen in grote datasets, en de getalsmatige weergave en de visualisatie van uiterst complexe beeldinhoud, enkel sommige voorbeelden. Wij zijn helemaal bij het begin van een het opwekken weg met vele vertakkingen.

Wat zijn de huidige beperkingen in de karakterisering van weefsels en hun eigenschappen met kunstmatige intelligentie? Wat moet dit overwinnen worden gedaan?

AI is een groot die gebied met een massa technieken van verschillende ideeën worden gebaseerd. Diep is het leren enkel één van hen, maar het is met het meeste succes in de laatste jaren het erkennen van beeldinhoud. Nochtans, het diepe staat leren voor veelvoudige uitdagingen in digitale pathologie.

Vooral, vereist het een groot aantal duidelijke (geëtiketteerde) beelden (beelden waarin het gebied van belang manueel door een patholoog) is omlijnd maar het algemene werkschema van digitale pathologie verstrekt geen geëtiketteerde beelden. Dit heeft het onderzoek om aan specifieke gevallen ertoe gebracht te werken, b.v., borstkanker, waarvoor een klein aantal geëtiketteerde beelden kan worden verstrekt om de haalbaarheid aan te tonen om diep te leren.

Een andere belangrijke uitdaging voor diep het leren in digitale pathologie is de dimensionaliteit van het probleem. De beelden van de pathologie zijn uiterst grote, d.w.z., groter dan 50.000 door 50.000 pixel. De diepe netwerken, echter, kunnen kleine inputbeelden, d.w.z., niet slechts behandelen groter dan 300 door 300 pixel. Beneden-bemonstert beelden die (hen kleiner maken) zouden in een verlies van informatie resulteren.

Een verdere hindernis in opleidings diepe netwerken is dat zij over het algemeen goed presteren als zij met „evenwichtig“ gegeven worden gevoed, dat betekent hebbend bijna het zelfde aantal beelden voor om het even welke categorie u moet erkennen. De gegevens van Imbalanced belemmeren generalisatie, wat betekent het netwerk ernstige fouten kan maken na opleiding.

Een definitief probleem waard het vermelden is de zogenaamde „adversarial aanvallen“ toen iemand met kennis van het systeem, of het exploiteren van de aanwezigheid van artefacten en lawaai, uiteindelijk dwaas een diep netwerk in een verkeerd besluit, een effect kon dat in medische weergave buitengewoon belangrijk is; wij kunnen niet toestaan de algoritmen om te zijn fooled wanneer wij het leven van mensen behandelen.

Het intensieve onderzoek wordt geleid bij vele voorzijden om oplossingen voor deze en andere uitdagingen te vinden. Onder anderen, is één potentiële oplossing die worden gewerkt aan „overdracht lerend“, om in een verschillend domein te leren en de kennis over te brengen in het medische domein.

Kunnen wij AI met miljoenen geëtiketteerde natuurlijke foto's (b.v., auto's, gezichten, dieren, gebouwen onderwijzen en) dan van de verworven kennis op histopathologiebeelden gebruik maken? Andere potentiële remedies moeten domeinkennis in diepe netwerken inspuiten die, die „generatieve“ modellen opleiden die direct geen classificatie behandelen, en diepe oplossingen combineren met conventionele algoritmen en handcrafted eigenschappen.  

Hoe het gebruik van medische weergaveinteractie met andere histopatologische tests? Konden zij met een eenvoudig beeldonderzoek worden vervangen?

Absoluut niet. Onderzoeken van het beeld zouden nieuwe facilitator zijn die de patholoog zal bijstaan en nieuw inzicht zal verstrekken. Weldra, kunnen wij geen nauwkeurig inzicht in hebben waar het beeldonderzoek het nuttigst zou passen, maar wij weten zonder twijfel dat de patholoog in het centrum van al verwerking moet blijven.

De taken zullen die wij aan de AI en computervisie toevertrouwen wijd gespecialiseerd worden en aangepast; zij kunnen niet natuurlijk andere bestaande (niet-AI) technologieën en andere wijzen van nutteloze tests teruggeven. Het is allen over het aanvullen van bestaande procedures met nieuw inzicht, en het vervangen van hen niet; goed, minstens zou dit de leidende houding moeten zijn.    

Gelieve te geven een overzicht van uw recent onderzoek om dit gebied en technieken vooruit te gaan dat u hebt gebruikt.

Bij Laboratorium Kimia, hebben wij aan een massa technieken, van diepe netwerken gewerkt om vectormachines, van lokale binaire patronen aan de transformatie van het Radon, en van diepe autoencoders aan dimensionaliteitvermindering te steunen.

Onze onderzoekfilosofie is onvoorwaardelijk patholoog-centric; wij moeten daar AI technieken ontwerpen die de pathologiegemeenschap dienen. Wij zijn overtuigd dat dit de juiste manier is om AI, namelijk als slimme medewerker aan de patholoog en niet een concurrent op te stellen.

Wij introduceerden een fundamentele verschuiving in ons onderzoek en onthielden ons van het in dienst nemen in ja/nee classificatie en leiden in plaats daarvan vele experimenten om de veelvormige aard van weefselerkenning te begrijpen alvorens wij proberen om een definitieve ketting voor het klinische werkschema te ontwerpen.

Bovendien hebben wij onze nadruk op niet-AI computervisie voor niet daar zijn heel wat conventionele methodes die terug middelmatige prestaties in de dag tentoonstelden, maar kunnen nu als partners aan krachtige AI door zich op de snellere computer beschikbare platforms worden herontdekt te baseren verloren.  

Welke voordelen zijn er aan de transformatie van het Radon die u in uw onderzoek gebruikte?

Dit is één voorbeeld van onze inspanningen reeds lang gevestigde technologieën niet om uit het oog te verliezen. De transformatie van het radon is een oude techniek en ons, onder anderen, toegelaten om gegevens verwerkte tomografie te doen.

De projecties in kleine en grote delen van het beeld kunnen samengeperste informatie over weefselkenmerken verstrekken en waar de significante veranderingen zich voordoen. Zij kunnen als input aan AI algoritmen dienen om extra informatie te verstrekken in het plaatsen waar de veelvoudige technologieën samenwerken.

De transformatie van het radon is niet alleen een mathematisch correcte technologie maar in tegenstelling tot diepe netwerken, is interpreteerbaar. Waarom een specifiek beeld vrij makkelijk te begrijpen kan wordt geselecteerd zijn wanneer wij de projecties van het Radon verwerven, terwijl miljoenen vermenigvuldigingen en toevoegingen binnen een netwerk geen aannemelijke manier aanbieden om te begrijpen waarom een specifiek besluit is genomen.

Nochtans, wij diepe te leren architectuur nodig hebben. Vandaar, is het combineren van oude en nieuw iets wij zwaar in investeren.    

Hoe kunnen het kunstmatig intelligente onderzoek en het categoriseren van medische beelden ziekteonderzoek geduldige zorg verbeteren versnellen en?

Als wij classificatie-georiënteerde AI die (ja/nee besluiten nemen) verlaten, die naar het elimineren van de kenmerkende rol van de patholoog streeft, dan wij met mijnbouw-georiënteerde AI worden verlaten die identificeert en gelijkaardige patronen uit grote archieven van medische beelden haalt.

Het tonen van gelijkaardige beelden aan de patholoog wanneer s/he een nieuw geval onderzoekt is niet buitengewoon iets, tenzij de teruggewonnen gevallen met de informatie van klaarblijkelijk gediagnostiseerde patiënten van het verleden worden geannoteerd.

Dan hebben wij iets die nooit vóór is gedaan: wij onttrekken in de collectieve wijsheid van de artsen zelf om hen van computeroverleg te voorzien. Het raadplegen van andere pathologen voor moeilijke gevallen is een gemeenschappelijke praktijk.

Nochtans, zal het beeldonderzoek ons toegang tot raadpleegt „met behulp van computer“ honderden pathologen over het land (en de bol) door digitale verslagen geven. Dit zal het proces, foutentarieven, sparen het leven, tijd van de versie de waardevolle patholoog voor andere taken (b.v. onderzoek en onderwijs), en definitief sparen kosten verlagen bevorderen.

Waar ziet u de toekomst van machine lerend met achting aan medische weergave?

Misschien hopen velen van ons dat radiogeomics een revolutionaire verandering in ziektediagnose zou zijn die onder anderen de biopsie overtollig zou maken, zoals sommige onderzoekers audaciously voorzien.

Nochtans, voor de nabije toekomst, zouden wij eerder „consensueel moeten bekijken“. De manifestatie van medische diagnosemoeilijkheid is duidelijk zichtbaar in de zogenaamde „inter-observer veranderlijkheid“; de artsen kunnen niet met een diagnose of een meting akkoord gaan wanneer gegeven het zelfde geval.

Voor sommige gevallen zoals borst en longkanker kan het meningsverschil zelfs 50% naderen en overschrijden wanneer de nauwkeurige plaats van malignancy wordt geïmpliceerd. Het gebruiken van AI voor zich het identificeren en het terugwinnen van gelijkaardige abnormaliteiten en malignancies zullen de horizon voor de bouw van consensus openen.

Als wij verscheidene duizend gevallen van de afgelopen patiënten kunnen vinden die vol vertrouwen met de gegevens van de huidige patiënt kunnen worden aangepast, dan veel weg is een „computerconsensus“ niet. De schoonheid van het is, opnieuw, dat AI zal nemen enkel geen kenmerkend besluit maar de bestaande medische wijsheid toegankelijk zal maken, de wijsheid die momenteel braakakker onder terabytes digitaal stof is.

Als technologievooruitgang, zal er een behoefte aan pathologen in de toekomst zijn?

De taken en de werkbelasting van de pathologen zullen zeker door wat transformatie maar gevoelige aard gaan van wat zij aan één kant doen, en de breedte en de diepte van kennis die zij, op de overkant hebben gehouden, maken hen als uiteindelijke erkenningsentiteiten onontbeerlijk.

Het is denkbaar in nabije toekomst dat, door visuele programmeertalen op hoog niveau aan te wenden, de pathologen ontwerpen en hun eigen AI agenten voor zeer specifieke taken onderwijzen. Niet zullen de ingenieurs, niet computerwetenschappers, het de pathologen zijn die de medische kennis om verantwoordelijk voor het exploiteren van de AI mogelijkheden zouden hebben te zijn.

Waar kunnen de lezers meer informatie vinden?

Een goed op digitale pathologie wordt gelezen is het boek „Digitale Pathologie“ door Pantanowitz en Parwani die. Goede technisch gelezen op stichtingen van AI is „Neurale Netwerken en het Leren Machines“ door Simon Haykin. Een andere gelezen technisch „leert diep“ door Goodfellow en anderen.

Om een overzicht te krijgen, een „onderzoek bij diep het leren in medische beeldanalyse“ door Litjens en anderen zijn een bijgewerkt artikel. Een artikel door mij en Dr. Pantanowitz (Universiteit van het Medische Centrum van Pittsburgh) met een adellijke titel „Kunstmatige intelligentie in digitale Pathologie - de Uitdagingen en de Kansen zullen“ spoedig in het Dagboek van de Informatica van de Pathologie verschijnen.

Ongeveer Prof. Hamid Tizhoosh

Dr. Hamid R. Tizhoosh is een Professor in de Faculteit van Techniek bij Universiteit van Waterloo sinds 2001 waar hij het Laboratorium leidt KIMIA (Laboratorium voor de Gevolgtrekking van de Kennis in de Medische Analyse van het Beeld).

Alvorens hij van de Universiteit van Waterloo lid werd, was hij een onderzoekvennoot bij het Laboratorium van de Systemen van de Kennis en van de Intelligentie bij de Universiteit van Toronto waar hij aan dynamische bandbreedtetoewijzing gebruikend AI methodes zoals versterking het leren werkte.

Sinds 1993, omvatten Zijn onderzoekactiviteiten kunstmatige intelligentie, computervisie en medische weergave. Hij heeft algoritmen voor het medische beeld filtreren, segmentatie en onderzoek ontwikkeld. Hij is de auteur van twee boeken, 14 boekhoofdstukken, en meer dan 140 dagboek en conferentiedocumenten.

Hij heeft ook 5 octrooien in samenwerking met WatCo (Waterloo het Bureau van de Introductie op de markt) ingediend. Dr. Tizhoosh heeft uitgebreide industriële ervaring en met talrijke bedrijven gewerkt. Weldra, is hij de AI Adviseur van de Digitale Pathologie van Huron, St. Jacobs, Canada.