Artificial intelligence et apprentissage automatique dans l'imagerie médicale

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

Veuillez donner une synthèse de la recherche antérieure dans l'apprentissage automatique et d'artificial intelligence dans l'imagerie médicale. Que pouvons-nous actuel faire avec cette recherche ?

Les deux tâches principales dans l'imagerie médicale qui semblent être naturellement prédestinées pour être résolues avec des algorithmes d'AI sont segmentation et catégorie. La plupart de techniques utilisées dans l'imagerie médicale étaient des algorithmes à traitement d'images et ou plus largement préparés conventionnels de visibilité d'ordinateur.

On peut trouver beaucoup de travaux avec les réseaux neuronaux artificiels, le réseau général d'apprendre profondément. Cependant, la plupart des travaux ont été concentrés sur la visibilité d'ordinateur conventionnelle qui s'est orientée, et font toujours, sur les caractéristiques « faites maines », les techniques qui étaient les résultats du modèle manuel à extraire utile et différenciant l'information des images médicales.

Du progrès était visible vers la fin de 90s et 2000s tôt (par exemple, la méthode de TAMISAGE en 1999, ou les dictionnaires visuels début 2000 s) mais il n'y avait aucune découverte. Cependant, les techniques comme le groupement et la catégorie étaient en service avec la réussite modérée.

les K-moyens (une vieille méthode de groupement), les machines de vecteur de support (SVM), les plans probabilistes, et les arbres de décisions et leurs forêts faites au hasard de ` étendu de version' étaient parmi des approches couronnées de succès.  Mais réseaux neuronaux artificiels prolongés pour faire défaut des attentes pas simplement dans l'imagerie médicale, mais dans la visibilité d'ordinateur en général.

Les réseaux peu profonds (se composant de quelques couches de neurones artificiels) ne pourraient pas résoudre des problèmes difficiles et des réseaux profonds (se composant de beaucoup de couches de neurones artificiels) ne pourraient pas être formés parce qu'ils étaient trop grands. D'ici mi-2000 s là était progrès théorique dans ce domaine avec les premiers exemples de succès principaux début 2010 s sur de grands ensembles de données comme ImageNet.

Maintenant soudainement, il était possible d'identifier des chats et des véhicules dans une image, exécute la reconnaissance faciale et marque automatiquement des images avec une légende décrivant son teneur. Les investigations sur les applications de ces méthodes puissantes d'AI dans l'imagerie médicale a commencé pendant les dernières 3-4 années et est dans son enfance mais les résultats prometteurs ont été rapportés ici et là.  

Quelles applications y a-t-il pour l'apprentissage automatique et l'artificial intelligence dans l'imagerie médicale ?

Basé sur des parutions récentes, il semble que le centre de beaucoup de chercheurs est sur le diagnostic, principalement diagnostic de cancer, où la sortie du logiciel d'AI est souvent une décision « oui/non » pour malin/bénin, respectivement.

L'autre flot travaille à segmenter (inscription) les parties spécifiques des images, de nouveau avec l'attention principale de beaucoup de travaux étant sur le diagnostic et l'analyse de cancer, mais également pour la planification et la surveillance de demande de règlement.

Cependant, il y a beaucoup plus que l'AI peut offrir à l'imagerie médicale. Regardant ses potentiels pour le radiogenomics, l'automatique-libelle des images médicales, reconnaissance des configurations hautement non linéaires dans de grands ensembles de données, et quantification et visualisation de teneur extrêmement complexe d'image, sont juste quelques exemples. Nous sommes au tout début d'un circuit passionnant avec beaucoup de bifurcations.

Quelles sont les limitations actuelles dans la caractérisation des tissus et leurs attributs avec l'artificial intelligence ? Quels besoins d'être fait pour surmonter ceci ?

L'AI est un grand inducteur avec une multitude de techniques basées de différentes idées. Apprendre profondément est juste un d'entre elles, mais il est celui avec la plupart de réussite en identifiant le teneur d'image ces dernières années. Cependant, apprendre profond relève des défis multiples en pathologie digitale.

En premier lieu, il exige un grand nombre d'images (marquées) marquées (les images dans lesquelles la région d'intérêt a été manuellement tracée par un pathologiste) mais le flux de travail général de la pathologie digitale ne fournit pas des images marquées. Ceci a abouti la recherche pour travailler aux cas spécifiques, par exemple, le cancer du sein, pour lequel un nombre restreint d'images marquées peuvent être données pour expliquer la faisabilité d'apprendre profondément.

Un autre défi majeur pour apprendre profondément en pathologie digitale est la dimensionnalité du problème. Les images de pathologie sont extrêmement grandes, c.-à-d., plus en grande partie que 50.000 par 50.000 pixels. Les réseaux profonds, cependant, peuvent seulement traiter les petites images d'entrée, c.-à-d., pas plus en grande partie que 300 par 300 pixels. les images de Vers le bas-échantillonnage (les rendant plus petites) auraient comme conséquence une perte d'information.

Un autre obstacle en formant les réseaux profonds est qu'ils se comportent généralement bien s'ils sont alimentés avec des caractéristiques « équilibrées », ce des moyens ayant presque le même nombre d'images pour n'importe quelle catégorie que vous devez identifier. La caractéristique Imbalanced entrave la généralisation, qui signifie que le réseau peut effectuer des erreurs graves après la formation.

Un problème final intéressant mentionner est les soi-disant « crises antagonistes » quand quelqu'un avec la connaissance du système, ou d'exploiter la présence des corps étrangers et du bruit, pourrait éventuellement duper un réseau profond dans une décision incorrecte, un effet qui est extraordinairement important dans l'imagerie médicale ; nous ne pouvons pas permettre à des algorithmes d'être dupés quand nous traitons des vies des gens.

La recherche intensive est conduite à beaucoup de fronts pour trouver des solutions pour ces derniers et d'autres défis. Notamment, une solution potentielle étant fonctionnée en circuit est « transfert apprenant », à apprendre dans un domaine différent et à transférer la connaissance dans le domaine médical.

Pouvons-nous enseigner l'AI avec des millions de photos naturelles marquées (par exemple, véhicules, faces, animaux, constructions) et puis employer la connaissance acquise sur des images d'histopathologie ? D'autres remèdes potentiels sont d'injecter la connaissance de domaine dans les réseaux profonds, formant les modèles « génératifs » qui ne traitent pas directement la catégorie, et combinant les solutions profondes avec des algorithmes conventionnels et des configurations faites maines.  

Comment l'utilisation de l'effet d'imagerie médicale avec d'autres tests histopathologiques ? Ont-ils pu être remplacés par une recherche d'images simple ?

Réellement pas. Les recherches d'images seraient un facilitateur neuf qui aidera le pathologiste et fournira des analyses neuves. Actuellement, nous ne pouvons pas avoir une compréhension précise d'où la recherche d'images s'adapterait le plus utilement, mais nous savons à coup sûr que le pathologiste doit rester au centre tout du traitement.

Les tâches que nous affectons à l'AI et à la visibilité d'ordinateur seront largement spécialisées et personnalisées ; elles naturellement ne peuvent pas rendre d'autres technologies (non-AI) existantes et d'autres modes des tests inutiles. Elle est tout au sujet de compléter des procédures existantes avec des analyses neuves, et de ne pas les remonter ; bien, au moins ceci devrait être l'assiette de guidage.    

Veuillez donner une synthèse de votre recherche récente pour avancer cet inducteur et les techniques que vous avez employés.

Au laboratoire de Kimia, nous avions travaillé sur une multitude de techniques, des réseaux profonds pour supporter des machines de vecteur, des configurations binaires locales au radon transformez, et des autoencoders profonds à la réduction de dimensionnalité.

Notre philosophie de recherches est sans réserve pathologiste-centrale ; nous sommes là pour concevoir les techniques IA Qui servent la communauté de pathologie. Nous sommes convaincus que c'est la bonne voie de déployer l'AI, à savoir en tant qu'assistant sec au pathologiste et pas à un concurrent.

Nous avons introduit une variation principale dans notre recherche et nous sommes abstenus à s'engager dans la catégorie oui/non et au lieu entreprenons beaucoup d'expériences pour comprendre la nature polymorphe de la reconnaissance de tissu avant que nous essayions de concevoir un réseau final pour le flux de travail clinique.

De plus, nous n'avons pas détruit notre orientation sur la visibilité d'ordinateur non-AI pour là sommes beaucoup de méthodes conventionnelles qui ont montré l'arrière médiocre de rendement pendant le jour, mais pouvons maintenant être redécouverts comme associés à l'AI puissante en comptant sur les plates-formes de calcul plus rapides procurables.  

Quels avantages y a-t-il au radon transforment-il que vous avez employé dans votre recherche ?

C'est un exemple de nos efforts pour ne pas perdre de vue des technologies bien établies. Le radon transforment est une vieille technique et nous a permis, notamment, de faire la tomodensitométrie.

Les projections dans de petites et grandes parties de l'image peuvent fournir des informations comprimées au sujet des caractéristiques de tissu et où les évolutions important se produisent. Elles peuvent servir d'entrées aux algorithmes d'AI pour fournir les informations complémentaires dans un réglage où les technologies multiples fonctionnent ensemble.

Le radon transforment contraste non seulement une technologie mathématiquement saine mais, avec les réseaux profonds, est interprétable. Pourquoi une image spécifique est sélectée peut être relativement facilement compréhensible quand nous acquérons des projections de radon, alors que les millions de multiplications et d'ajouts à l'intérieur d'un réseau n'offrent aucune voie plausible pour comprendre pourquoi une décision spécifique a été prise.

Cependant, nous avons besoin d'architectures profondes pour apprendre. Par conséquent, la combinaison du vieux et du neuf est quelque chose que nous investissons fortement dedans.    

Comment la recherche et la classification artificiellement intelligentes des images médicales peuvent-elles accélérer la recherche de la maladie et améliorer des soins aux patients ?

Si nous abandonnons l'AI catégorie catégorie (prenant des décisions oui/non), qui vise à éliminer le rôle diagnostique du pathologiste, alors nous sommes laissés avec l'AI orientée exploitation qui recense et extrait les configurations assimilées de grandes archives des images médicales.

Montrer les images assimilées au pathologiste quand il examine un cas neuf n'est pas quelque chose extraordinaire, à moins que les cas recherchés soient annotés avec l'information des patients évidemment diagnostiqués du passé.

Alors nous avons quelque chose qui jamais n'a été faite avant : nous branchons sur la sagesse collective des médecins elles-mêmes pour leur fournir la consultation de calcul. La consultation d'autres pathologistes pour des cas difficiles est une pratique commune.

Cependant, la recherche d'images nous donnera que l'accès à « de calcul » consultent des centaines de pathologistes en travers du pays (et du globe) par les dossiers digitaux. Ceci accélérera le procédé, réduit des taux d'erreurs, sauve des durées, relâche le temps précieux de pathologiste pour d'autres tâches (par exemple enseignement et de recherche), et épargne finalement des coûts.

Où voyez-vous le contrat à terme de l'apprentissage automatique quant à l'imagerie médicale ?

Peut-être bon nombre d'entre nous espèrent que le radiogeomics serait un changement révolutionnaire du diagnostic de la maladie qui notamment rendrait la biopsie superflue, comme quelques chercheurs envisagent audacieusement.

Cependant, pour l'avenir, nous devrions plutôt regarder la « création d'un consensus ». La manifestation de la difficulté de diagnostic médical est clairement visible dans la soi-disant « variabilité d'inter-observateur » ; les médecins ne peuvent pas convenir sur un diagnostic ou une mesure si donnés le même cas.

Pour certains cas comme le cancer de sein et de poumon le désaccord peut approcher et même dépasser 50% quand la localisation précise de la malignité est impliquée. Utilisant l'AI pour recenser et rechercher les anomalies et les malignités assimilées ouvrira l'horizon pour l'accord de établissement.

Si nous pouvons trouver plusieurs milliers de cas des patients antérieurs qui peuvent être avec confiance appariés avec les caractéristiques du patient actuel, alors « un accord de calcul » n'est pas loin. La beauté de elle est, de nouveau, que l'AI ne prendra aucune décision diagnostique mais rendra juste la sagesse médicale existante accessible, la sagesse qui est actuel des Terabyte de dessous affrichés de poussière digitale.

Car la technologie avance, y aura-t-il des pathologistes d'un besoin à l'avenir ?

Les tâches et la charge de travail des pathologistes passeront certainement par une certaine transformation mais la nature sensible de ce qu'elles font d'un côté, et la largeur et la profondeur de la connaissance qu'elles se retiennent, de l'autre côté, leur effectue le nécessaire comme entités éventuelles de reconnaissance.

Elle est imaginable dans le futur proche que, en employant des langages de programmation visuels de haut niveau, les pathologistes conçoivent et enseignent leurs propres agents d'AI pour des tâches très spécifiques. Pas des techniciens, pas informaticiens, ce sera les pathologistes qui auraient les connaissances médicales à être responsable d'exploiter les capacités d'AI.

Où peuvent les lecteurs trouver plus d'informations ?

Un bon affiché sur la pathologie digitale est le livre « pathologie de Digitals » par Pantanowitz et Parwani. Un bon technique affiché sur des fondations d'AI est des « réseaux neuronaux et des machines à enseigner » par Simon Haykin. Un autre technique affiché « apprend profondément » par Goodfellow et d'autres.

Pour obtenir une synthèse, « une étude sur apprendre profondément dans l'analyse d'image médicale » par Litjens et d'autres est un article à jour. Un article par me et M. Pantanowitz (université de centre médical de Pittsburgh) a intitulé le « artificial intelligence en pathologie digitale - les défis et les opportunités » apparaîtront bientôt dans le tourillon de l'informatique de pathologie.

Au sujet de prof. Hamid 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).

Avant qu'il ait joint l'université de Waterloo, il était un associé de recherches au laboratoire de systèmes de la connaissance et de renseignement à l'université de Toronto où il a travaillé à l'attribution des ressources dynamique de largeur de bande suivre des méthodes d'AI telles que l'apprentissage par renforcement.

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 140 des tourillons et papiers de conférence.

Il a également limé 5 brevets en collaboration avec WatCo (bureau de commercialisation de Waterloo). M. Tizhoosh a une expérience industrielle considérable et a travaillé avec de nombreuses compagnies. Actuellement, il est le conseiller d'AI de la pathologie d'Huron Digital, St Jacobs, EN CIRCUIT, le Canada.